LIO-SAM: 紧耦合的激光与惯导里程计方案
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-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）
PCL中outofcore模块---基于核外八叉树的大规模点云的显示
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