Fusion LiDAR-Inertial-Encoder data for High-Accuracy SLAM

在机器人技术领域，实现同时定位和建图（SLAM）对于自主导航尤其在缺乏纹理的结构等具有挑战性的环境中至关重要。本文提出了一种基于因子图的模型，紧密集成IMU和编码器传感器以增强在这种环境中的定位。该系统通过精细评估每个传感器的数据运作。基于这些评估，权重会动态调整，以在任何给定时刻优先考虑更可靠的信息来源。机器人的状态是使用IMU数据初始化的，而编码器则有助于在长走廊中进行运动估计。两种状态之间的差异用于校正IMU漂移。通过实验可证明该方法的有效性。与广泛使用的SLAM算法Karto SLAM相比，这种方法在旋转角度误差方面实现了26.98%的改进和67.68%的位置误差降低。这些结果令人信服地证明了该方法在缺乏纹理的环境中具有更高的精度和鲁棒性。

论文旨在解决在没有纹理的结构中，实现同时定位和建图（SLAM）的问题，提高自主导航的准确性和鲁棒性。

论文提出了一种基于因子图的模型，紧密集成IMU和编码器传感器，通过动态调整权重来优先考虑更可靠的信息源，从而实现在没有纹理的结构中的SLAM。

论文通过实验验证了该方法的有效性，相比Karto SLAM算法，在旋转角度误差方面提高了26.98％，在位置误差方面减少了67.68％。论文的亮点包括实验设计、使用的数据集和开源代码等。

最近的相关研究包括基于深度学习的SLAM方法、基于激光雷达的SLAM方法等。