HCTO: Optimality-Aware LiDAR Inertial Odometry with Hybrid Continuous Time Optimization for Compact Wearable Mapping System

紧凑型可穿戴式地图系统（WMS）因其在各种应用中的便利性而受到了广泛关注。具体而言，它为收集先前地图提供了一种有效的方法，以进行3D结构检查和基于机器人的复杂环境中的“最后一英里”交付。然而，人体运动中的振动以及复杂环境中点云特征的不均匀分布通常会导致快速漂移，这是在低成本WMS上应用现有激光惯性测距（LIO）方法时普遍存在的问题。为了解决这些限制，我们提出了一种基于混合连续时间优化（HCTO）的WMS LIO的新方法，考虑到激光雷达对应的最优性。首先，HCTO通过分析原始IMU测量值识别人体运动中的模式（高频部分，低频部分和恒定速度部分）。其次，HCTO根据不同的运动状态构建混合IMU因子，从而能够对IMU测量中的振动引起的噪声进行稳健和精确的估计。第三，使用最优设计选择最佳点对应关系，以实现实时性能和更好的测距精度。我们在头戴式WMS数据集上进行实验，评估了我们系统的性能，展示了与最先进方法相比的显着优势。实验的视频记录可在HCTO项目页面上找到：\href {https://github.com/kafeiyin00/HCTO} {https://github.com/kafeiyin00/HCTO}。

解决问题：本论文旨在解决低成本紧凑型可穿戴式映射系统（WMS）在复杂环境下应用现有Lidar Inertial Odometry（LIO）方法时，由于人体运动中的振动和点云特征的不均匀分布而导致的快速漂移问题。

关键思路：论文提出了一种基于混合连续时间优化（HCTO）的WMS LIO方法，考虑到激光雷达对应的最优性。该方法通过分析原始IMU测量值，识别人体运动中的模式，并根据不同的运动状态构建混合IMU因子，从而实现对IMU测量中振动噪声的鲁棒和精确估计。同时，采用最优设计选择最佳点对应关系，以实现实时性能和更好的测距精度。

其他亮点：论文在头戴式WMS数据集上进行了实验，证明了该系统相比现有技术具有显著优势。该论文还提供了项目页面上的视频记录和开源代码。这项工作为解决WMS的快速漂移问题提供了一种新的思路，并且具有实际应用的潜力。

相关研究：最近的相关研究包括“Visual-Inertial Odometry for Unmanned Aerial Vehicles: A Review”和“Robust Visual Inertial Odometry for Fast Autonomous Flight”.