LIO-SAM: 紧耦合的激光与惯导里程计方案

点云PCL免费知识星球，点云论文速读。

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

来源：分享者

欢迎各位加入免费知识星球，获取PDF论文，欢迎转发朋友圈分享快乐。

论文阅读模块将分享点云处理，SLAM，三维视觉，高精地图相关的文章。公众号致力于理解三维视觉领域相关内容的干货分享，欢迎各位加入我，我们一起每天一篇文章阅读，开启分享之旅,有兴趣的可联系微信dianyunpcl@163.com。

摘要

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。

开源代码：https://github.com/TixiaoShan/LIO-SAM.git

主要内容

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。

LIO-SAM的系统结构。该系统接收来自3D激光雷达、IMU和可选GPS的输入。引入四种因子来构建因子图：（a）IMU预积分因子，（b）lidar里程计因子，（c）GPS因子，（d）环路闭合因子。

系统概述。系统接收来自3D激光雷达、IMU和GPS的传感器数据。试图利用这些传感器的观测值来估计机器人的状态及其轨迹。这种状态估计问题可以表述为最大后验概率（MAP）问题。使用因子图来模拟这个问题，因为它比贝叶斯网络更适合进行推理。

实验

本文使用的传感器套件包括Velodyne VLP16激光雷达、 MicroStrain 3DM-GX5-25IMU和Reach M GPS。收集了5个不同规模、不同平台和不同环境的数据集。想·x

传感器安装平台

数据集列表

LOAM 和 LIO-SAM建图的结果

LOAM, LIOM, 和and LIO-SAM建图结果

总结

提出了LIO-SAM一种通过平滑和地图实现稠密激光雷达惯性里程表的框架，用于在复杂环境中进行实时状态估计和地图构建。LIO-SAM通过在因子图上建立激光雷达惯性里程仪，特别适合于多传感器融合。附加传感器测量可以很容易地作为新的因素纳入框架。提供绝对测量的传感器，如GPS、罗盘或高程值，可用于消除在长时间内积累的激光雷达惯性里程计漂移，或在恶劣环境中累积的激光雷达惯性里程计漂移。位置识别也可以很容易地融入系统，为了提高系统的实时性，提出了一种将旧激光雷达帧边缘化的滑动窗口方法用于扫描匹配。关键帧有选择地添加到因子图中，并且当生成lidar里程表和环路闭合因子时，新关键帧仅配准到固定大小的子关键帧集。这种以本地尺度而不是全局尺度匹配的扫描有助于LIO-SAM框架的实时性能。该方法在三个平台上收集的数据集上对所提出的方法进行了全面的评估。结果表明，与LOAM和LIOM相比，LIO-SAM具有相似或较好的精度。

资源

三维点云论文及相关应用分享

【点云论文速读】基于激光雷达的里程计及3D点云地图中的定位方法

3D目标检测：MV3D-Net

三维点云分割综述（上）

3D-MiniNet: 从点云中学习2D表示以实现快速有效的3D LIDAR语义分割（2020）

win下使用QT添加VTK插件实现点云可视化GUI

JSNet：3D点云的联合实例和语义分割

大场景三维点云的语义分割综述

PCL中outofcore模块---基于核外八叉树的大规模点云的显示

基于局部凹凸性进行目标分割

基于三维卷积神经网络的点云标记

点云的超体素(SuperVoxel)

基于超点图的大规模点云分割

更多文章可查看：点云学习历史文章大汇总

SLAM及AR相关分享

【开源方案共享】ORB-SLAM3开源啦！

【论文速读】AVP-SLAM：自动泊车系统中的语义SLAM

【点云论文速读】StructSLAM:结构化线特征SLAM

SLAM和AR综述

常用的3D深度相机

AR设备单目视觉惯导SLAM算法综述与评价

SLAM综述(4)激光与视觉融合SLAM

Kimera实时重建的语义SLAM系统

SLAM综述(3)-视觉与惯导，视觉与深度学习SLAM

易扩展的SLAM框架-OpenVSLAM

高翔：非结构化道路激光SLAM中的挑战

SLAM综述之Lidar SLAM

基于鱼眼相机的SLAM方法介绍

往期线上分享录播汇总

第一期B站录播之三维模型检索技术

第二期B站录播之深度学习在3D场景中的应用

第三期B站录播之CMake进阶学习

第四期B站录播之点云物体及六自由度姿态估计

第五期B站录播之点云深度学习语义分割拓展

第六期B站录播之Pointnetlk解读

[线上分享录播]点云配准概述及其在激光SLAM中的应用

[线上分享录播]cloudcompare插件开发

[线上分享录播]基于点云数据的 Mesh重建与处理

[线上分享录播]机器人力反馈遥操作技术及机器人视觉分享

[线上分享录播]地面点云配准与机载点云航带平差

点云PCL更多活动请查看：点云PCL活动之应届生校招群

扫描下方微信视频号二维码可查看最新研究成果及相关开源方案的演示：

如果你对本文感兴趣，请点击“原文阅读”获取知识星球二维码，务必按照“姓名+学校/公司+研究方向”备注加入免费知识星球，免费下载pdf文档，和更多热爱分享的小伙伴一起交流吧！

以上内容如有错误请留言评论，欢迎指正交流。如有侵权，请联系删除

扫描二维码

                   关注我们

让我们一起分享一起学习吧！期待有想法，乐于分享的小伙伴加入免费星球注入爱分享的新鲜活力。分享的主题包含但不限于三维视觉，点云，高精地图，自动驾驶，以及机器人等相关的领域。

分享及合作方式：群主微信“920177957”（需要按要求备注） 联系邮箱：dianyunpcl@163.com，欢迎企业来联系公众号展开合作。

点一下“在看”你会更好看耶