GLIM: 3D Range-Inertial Localization and Mapping with GPU-Accelerated Scan Matching Factors

本文介绍了一个名为GLIM的三维惯性定位与建图框架，其中包括GPU加速的扫描匹配因素。GLIM的里程计估计模块采用了固定滞后平滑和基于关键帧的点云匹配相结合的方法，使其能够有效地处理几秒钟的完全退化的范围数据，同时又能够有效地减少轨迹估计漂移。它还以一种紧密耦合的方式结合了多相机视觉特征约束，进一步提高了稳定性和准确性。全局轨迹优化模块直接最小化整个地图上子地图之间的配准误差。这种方法使我们能够准确地约束具有小重叠的子地图之间的相对姿态。尽管里程计估计和全局轨迹优化算法所需的计算量比现有方法要多得多，但我们表明，由于注册误差评估算法和整个系统的精心设计，它们可以实时运行，并充分利用GPU并行处理。

GLIM试图解决3D定位和建图中的漂移问题，同时提高稳定性和准确性。这是否是一个新问题？

GLIM的关键思路是通过GPU加速的扫描匹配因素和多相机视觉特征约束，结合固定滞后平滑和基于关键帧的点云匹配来解决漂移问题。同时，全局轨迹优化模块直接最小化整个地图上子地图之间的配准误差，从而提高精度和稳定性。

GLIM的实验结果表明，它可以在实时运行，同时具有更高的精度和稳定性。论文还开源了代码，并使用了多个数据集进行了测试。此外，GLIM的多相机视觉特征约束和全局轨迹优化模块是该领域的创新点。

在这个领域的相关研究包括ORB-SLAM2、LIO-SAM和LIO-Mapping等。