Tightly Coupled Range Inertial Localization on a 3D Prior Map Based on Sliding Window Factor Graph Optimization

本文提出了一种适用于3D先验地图的一系列惯性定位算法。该算法通过在滑动窗口因子图中紧密耦合点云的扫描-扫描和扫描-地图配准因素以及IMU因素，实现了传感器自我运动估计和基于地图的轨迹校正的平滑融合，从而在点云退化和地图中存在缺陷的情况下实现了传感器姿态的稳健跟踪。此外，我们还提出了一种初始传感器状态估计算法，该算法能够鲁棒地估计重力方向和IMU状态，并帮助在没有先前位置信息的情况下进行3或4自由度的全局定位以进行系统初始化。实验结果表明，所提出的方法在点云数据退化、传感器短暂中断或传感器沿地图边界或进入未映射区域的极端情况下优于现有的最先进方法。

本论文旨在解决在3D先验地图下，点云数据退化或地图存在缺陷时，机器人定位精度下降的问题。同时，该论文提出了一个初始传感器状态估计算法，以便在没有先前位置信息的情况下进行全局定位。

本论文提出了一种紧密耦合的点云配准和IMU因素的惯性定位算法，通过滑动窗口因子图实现。该算法的关键思路是将点云配准和地图纠正紧密耦合，从而实现传感器自我运动估计和基于地图的轨迹校正的平滑融合，从而实现机器人姿态的鲁棒跟踪。

本论文还提出了一个初始传感器状态估计算法，该算法能够鲁棒地估计重力方向和IMU状态，并在没有先前位置信息的情况下进行全局定位。实验结果表明，该算法在点云数据退化、传感器中断或机器人进入未映射区域等极端情况下的性能优于现有的最先进方法。

在该领域的相关研究包括：1. 'A comparison of SLAM algorithms based on a graph of relations'；2. 'A Survey of SLAM Algorithms for Autonomous Indoor Navigation'；3. 'Real-time loop closure in 2D LIDAR SLAM'等。