• 标题：LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping
  • 作者：Tixiao Shan, Brendan Englot, Drew Meyers, Wei Wang, Carlo Ratti, and Daniela Rus
  • 开源代码：https://github.com/TixiaoShan/LIO-SAM.git

本文提出了一种基于smoothing和mapping的激光雷达和惯导的紧耦合框架LIO-SAM，实现了高精度、实时的移动机器人轨迹估计和地图构建。LIO-SAM将激光雷达惯性里程计建立在因子图之上，允许来自不同来源的相对和绝对测量值（包括闭合环路）作为因子纳入系统中。由惯性测量单元（IMU）预积分估计的运动会使点云失真，为激光雷达里程计优化提供初始预测值。所得到的激光里程计被用来估计IMU的偏差。为了确保实时的高性能，将旧的激光雷达扫描边缘化以优化姿态，而不是将激光雷达扫描与全局地图匹配。局部尺度的扫描匹配而不是全局尺度的扫描匹配能够显著地提高了系统的实时性能，关键帧的选择性引入也是如此，提出了一种有效的滑动窗口方法，将新的关键帧配准到一组固定大小的先验“子关键帧”中，并在不同尺度和不同环境下从三个平台收集的数据集上进行了广泛的评估。

本文的主要贡献如下：

  • 基于因子图建立了一个紧耦合的激光雷达惯性里程计框架，适用于多传感器融合和全局优化。
  • 一种高效的基于局部滑动窗口的扫描匹配方法，通过将有选择地新关键帧配准到固定大小的先前子关键帧集，实现实时性能。
  • 提出的框架通过各种规模、车辆和环境的测试得到验证。

感兴趣的可以戳原文继续阅读。

内容中包含的图片若涉及版权问题，请及时与我们联系删除