日本无码免费高清在线|成人日本在线观看高清|A级片免费视频操逼欧美|全裸美女搞黄色大片网站|免费成人a片视频|久久无码福利成人激情久久|国产视频一二国产在线v|av女主播在线观看|五月激情影音先锋|亚洲一区天堂av

  • 手機(jī)站
  • 小程序

    汽車測(cè)試網(wǎng)

  • 公眾號(hào)

    • 汽車測(cè)試網(wǎng)

    • 在線課堂

    • 電車測(cè)試

LINS：用于魯棒高效導(dǎo)航的激光雷達(dá)-慣導(dǎo)狀態(tài)估計(jì)器

2020-08-18 20:19:03·  來源：同濟(jì)智能汽車研究所  
　
編者按：對(duì)于自動(dòng)駕駛?cè)蝿?wù)來說，高精度的定位信息作為后續(xù)決策規(guī)劃等模塊的輸入，尤為重要。而定位領(lǐng)域中，高頻率的自身運(yùn)動(dòng)估計(jì)必不可少，尤其是在高速行駛的任務(wù)場(chǎng)景下。近年來基于激光雷達(dá)或相機(jī)等傳感器數(shù)據(jù)的同步定位與建圖技術(shù)發(fā)展迅速，但受限于傳感器工作頻率，無法獲得高頻的定位輸出。慣性測(cè)量單元(IMU)則可以提供高頻的測(cè)量數(shù)據(jù)，因此，基于多傳感器融合的算法極具應(yīng)用價(jià)值。本文基于誤差狀態(tài)卡爾曼濾波，將激光雷達(dá)與慣導(dǎo)進(jìn)行緊耦合，可以實(shí)現(xiàn)精確而穩(wěn)定的運(yùn)動(dòng)估計(jì)。
 
文章譯自：
LINS：A Lidar-Inertial State Estimator for Robust and Efficient Navigation
文章來源：
2020 International Conference on Robotics and Automation (ICRA)
作者：
Qin, Chao and Ye, Haoyang and Pranata, Christian E and Han, Jun and Zhang, Shuyang and Liu, Ming
原文鏈接：
https://arxiv.org/abs/1907.02233
 
摘要：LINS是一種輕量級(jí)的激光雷達(dá)慣性狀態(tài)估計(jì)器，用于實(shí)時(shí)的自身運(yùn)動(dòng)估計(jì)。本文所提出的方法通過緊密耦合6軸IMU和3D激光雷達(dá)，能夠在挑戰(zhàn)性環(huán)境（如特征稀疏的場(chǎng)景）中為地面車輛進(jìn)行魯棒而高效的導(dǎo)航。本文設(shè)計(jì)了迭代的誤差狀態(tài)卡爾曼濾波器（ESKF），以通過在每次迭代中生成新的特征對(duì)應(yīng)關(guān)系來遞歸地校正估計(jì)狀態(tài)，并使系統(tǒng)在計(jì)算上易于處理。此外，為了防止長(zhǎng)時(shí)間運(yùn)行時(shí)濾波器發(fā)散，我們使用以機(jī)器人為中心的公式表示局部運(yùn)動(dòng)幀的狀態(tài)。為了驗(yàn)證魯棒性和通用性，在各種情況下都進(jìn)行了廣泛的實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，LINS在穩(wěn)定性和準(zhǔn)確性方面的性能與最新的激光雷達(dá)慣性里程表相當(dāng)，并在速度上實(shí)現(xiàn)了數(shù)量級(jí)的提高。
關(guān)鍵詞：激光雷達(dá)，慣性導(dǎo)航，多傳感器融合，卡爾曼濾波
 
1 前言
自身運(yùn)動(dòng)估計(jì)是大多數(shù)移動(dòng)機(jī)器人應(yīng)用的基本先決條件，實(shí)時(shí)性差和算法失敗會(huì)很快破壞硬件及其周圍環(huán)境。為此，提出了諸如激光雷達(dá)的有源傳感器來完成該任務(wù)，即所謂的同時(shí)定位和建圖（SLAM）。典型3D激光雷達(dá)的一些關(guān)鍵優(yōu)勢(shì)包括（i）寬闊的水平視場(chǎng)（FOV）[1]和（ii）對(duì)環(huán)境照明條件的不變性[2]。但是，基于激光雷達(dá)的導(dǎo)航系統(tǒng)對(duì)周圍環(huán)境敏感。此外，運(yùn)動(dòng)畸變[3]和點(diǎn)云的稀疏性[4]在某些挑戰(zhàn)性場(chǎng)景（例如寬闊開放區(qū)域）中會(huì)使算法的性能下降。
最近的研究表明，可以通過融合IMU來彌補(bǔ)激光雷達(dá)的不足。與激光雷達(dá)不同，IMU對(duì)環(huán)境不敏感。它提供了準(zhǔn)確的短期運(yùn)動(dòng)約束，并且通常在高頻下（例如100Hz-500Hz）工作。這些功能可以幫助激光雷達(dá)導(dǎo)航系統(tǒng)從高度動(dòng)態(tài)的運(yùn)動(dòng)畸變中恢復(fù)點(diǎn)云，從而提高準(zhǔn)確性。但是，目前最佳的基于圖優(yōu)化的激光雷達(dá)慣性里程計(jì)（LIO）[5]由于計(jì)算量大，無法直接應(yīng)用于實(shí)時(shí)導(dǎo)航; 對(duì)于單次掃描，要花費(fèi)超過100毫秒的時(shí)間來進(jìn)行激光雷達(dá)慣性里程計(jì)的計(jì)算，甚至需要更多時(shí)間以維護(hù)地圖。
 
 圖1 LINS在廣東某港口用Velodyne VLP-16和Xsens MTi-G-710 IMU構(gòu)建的3D地圖。即使在某些特征稀疏的環(huán)境中，我們也可以觀察到生成的地圖與Google Map的良好對(duì)齊，如右圖所示。
 
在本文中，我們提出了LINS，這是一種用于無人地面車輛（UGV）實(shí)時(shí)導(dǎo)航的輕量級(jí)激光雷達(dá)慣性狀態(tài)估計(jì)器。迭代錯(cuò)誤狀態(tài)卡爾曼濾波器（ESKF）旨在確保準(zhǔn)確性和效率。為了實(shí)現(xiàn)長(zhǎng)期穩(wěn)定性，我們引入了一種以機(jī)器人為中心的狀態(tài)公式，在該狀態(tài)下，局部參考幀依照激光雷達(dá)的時(shí)間步長(zhǎng)進(jìn)行移動(dòng)，兩個(gè)連續(xù)局部幀之間的相對(duì)姿態(tài)估計(jì)用于更新全局姿態(tài)估計(jì)。我們工作的主要貢獻(xiàn)如下：
1.提出了一種緊密耦合的激光雷達(dá)慣性里程計(jì)算法，該算法比我們以前的工作[5]快一個(gè)數(shù)量級(jí)。
 
2.我們提出了一個(gè)以機(jī)器人為中心的迭代式ESKF，該ESKF在各種挑戰(zhàn)性場(chǎng)景中均得到了驗(yàn)證，并顯示出優(yōu)于現(xiàn)有技術(shù)的性能。
 
3.源代碼可在網(wǎng)上獲得（https://github.com/ChaoqinRobotics）。據(jù)我們所知，LINS是第一個(gè)通過迭代卡爾曼濾波解決6自由度自身運(yùn)動(dòng)的緊密耦合LIO算法。
 
其余部分的組織方式如下。在第二章節(jié)，討論相關(guān)的文獻(xiàn)。在第三章節(jié)我們將概述整體系統(tǒng)的完整框架。在第四章節(jié)說明了實(shí)驗(yàn)結(jié)果。在第五章節(jié)得出結(jié)論。
 
圖2 LINS系統(tǒng)的框架。激光雷達(dá)慣性里程計(jì)模塊由狀態(tài)傳播和更新子模塊組成，它使用IMU測(cè)量值和從特征提取模塊中提取的點(diǎn)云特征，進(jìn)行迭代卡爾曼濾波。建圖模塊輸出精確的姿態(tài)估計(jì)以及全局3D地圖。精確的姿態(tài)估計(jì)值與IMU測(cè)量值相結(jié)合，以產(chǎn)生高頻率的輸出結(jié)果。請(qǐng)注意，這項(xiàng)工作的重點(diǎn)是激光雷達(dá)慣性里程計(jì)模塊。
2 相關(guān)工作
文獻(xiàn)中有數(shù)百篇激光雷達(dá)相關(guān)的里程計(jì)算法。我們將注意力集中在有關(guān)6個(gè)自由度自身運(yùn)動(dòng)估計(jì)量和相關(guān)融合算法的相關(guān)工作上，它們分為松耦合和緊耦合。
A.僅使用激光雷達(dá)的方法
許多僅使用激光雷達(dá)的方法是眾所周知的基于掃描到掃描配準(zhǔn)的迭代最近點(diǎn)（ICP）掃描匹配方法的變體。[6]，[7]調(diào)研了ICP的有效變體算法。對(duì)于實(shí)時(shí)應(yīng)用，[8]設(shè)計(jì)了LOAM算法，將提取的邊緣和平面特征注冊(cè)到增量構(gòu)建的全局地圖中。[9]提出了將原始LOAM應(yīng)用于UGV應(yīng)用的LeGO算法。通過使用地面提取和點(diǎn)云分割，LeGO濾除了不可靠的特征，并在覆蓋有嘈雜物體（例如草木）的區(qū)域表現(xiàn)出極大的穩(wěn)定性。[10]提供了一種有效的閉環(huán)機(jī)制，可以實(shí)時(shí)進(jìn)行大規(guī)模建圖。
B.松耦合Lidar-IMU
松耦合方法分別處理兩個(gè)傳感器以推斷它們的運(yùn)動(dòng)約束，這些約束稍后融合（例如，[11]，[12]）。IMU輔助的LOAM[8]將IMU計(jì)算的方向和平移作為優(yōu)化的先決條件。[13]將IMU測(cè)量值與姿態(tài)估計(jì)值結(jié)合起來，后者從基于激光雷達(dá)的高斯粒子濾波器和預(yù)先構(gòu)建的地圖獲得。通常，松耦合計(jì)算很高效[14]，但是激光雷達(dá)和慣性約束的解耦會(huì)導(dǎo)致信息丟失[15]。
C.緊耦合Lidar-IMU
緊耦合方法通過聯(lián)合優(yōu)化直接將激光雷達(dá)和慣性測(cè)量融合在一起，可將其分為基于優(yōu)化的[16]，[17]和基于擴(kuò)展卡爾曼濾波器（EKF）的[18]，[15]。[19]通過最小化來自IMU和激光雷達(dá)的約束來進(jìn)行局部軌跡優(yōu)化。[20]提出了LIPS，在IMU預(yù)積分約束[21]和激光雷達(dá)的平面約束的基礎(chǔ)上利用了圖優(yōu)化。[5]提出了LIO建圖算法（為簡(jiǎn)便起見，在以下簡(jiǎn)稱為L(zhǎng)IOM），它也是基于圖優(yōu)化的，但具有新的旋轉(zhuǎn)約束建圖方法來優(yōu)化最終的姿勢(shì)和地圖。但是，局部地圖窗口中的約束構(gòu)造和批次優(yōu)化對(duì)于實(shí)時(shí)應(yīng)用而言太過耗時(shí)。[22]介紹了一種基于2D激光雷達(dá)的激光雷達(dá)輔助的慣性EKF算法。但是它的應(yīng)用場(chǎng)景僅限于室內(nèi)環(huán)境，因?yàn)樗笏兄車钠矫娑汲收唤Y(jié)構(gòu)。
眾所周知，EKF容易受到線性誤差的影響，線性誤差可能導(dǎo)致性能不佳甚至導(dǎo)致發(fā)散[23]，[24]。當(dāng)涉及激光雷達(dá)觀察到的掃描到掃描約束時(shí)，此缺點(diǎn)變得很明顯，如果初始姿勢(shì)不正確并導(dǎo)致錯(cuò)誤的特征匹配結(jié)果，則該誤差被認(rèn)為是高度非線性的。為了消除由錯(cuò)誤匹配引起的誤差，我們提出了一個(gè)迭代卡爾曼濾波[26]，它可以在每次迭代中反復(fù)找到更好的匹配。此外，我們采用誤差狀態(tài)表示法來保證線性化的有效性[27]。該特性將我們的方法與迭代擴(kuò)展卡爾曼濾波器[25]區(qū)別開。
 
3 激光雷達(dá)-慣性里程計(jì)與建圖
A.系統(tǒng)概況
考慮到配備IMU和3D激光雷達(dá)的UGV，我們的目標(biāo)是估計(jì)其6自由度的自身運(yùn)動(dòng)并同時(shí)建立全局地圖，如圖1所示。系統(tǒng)框架如圖2所示。整個(gè)系統(tǒng)包括三個(gè)主要模塊：-特征提取，LIO和建圖。（i）特征提取模塊旨在從原始點(diǎn)云中提取穩(wěn)定的特征。（ii）由傳播和更新子模塊組成的LIO模塊執(zhí)行迭代卡爾曼濾波，并輸出初始里程計(jì)以及無畸變的特征。（iii）建圖模塊通過全局地圖優(yōu)化初始里程計(jì)，然后通過使用特征更新地圖，以輸出新的里程計(jì)結(jié)果。由于空間問題，我們只專注于里程計(jì)模塊。我們請(qǐng)讀者參考[8]，[9]了解特征提取和建圖的詳細(xì)過程。
B.特征提取
該模塊輸入原始點(diǎn)云并輸出一組邊緣特征Fe和一組平面特征Fp。讀者可以參見[9]，[8]了解詳細(xì)的實(shí)現(xiàn)。
C.使用迭代ESKF的激光雷達(dá)-慣性里程計(jì)
LIO模塊使用IMU測(cè)量和兩次連續(xù)掃描中提取的特征來估計(jì)車輛的相對(duì)位姿變換。我們使用以機(jī)器人為中心的公式來構(gòu)建迭代的ESKF，因?yàn)樗梢苑乐褂捎诓淮_定性不斷增加而導(dǎo)致的線性誤差[28]，[29]。令Fw代表固定的世界坐標(biāo)系，F(xiàn)bk代表在第k幀的IMU附加幀，而Flk代表在第k幀的激光雷達(dá)點(diǎn)云幀。請(qǐng)注意，在我們的工作中，局部幀始終在先前的激光雷達(dá)時(shí)間步設(shè)置為IMU附加幀。
1)狀態(tài)定義
定義為Fw相對(duì)于Fbk的位姿，定義為當(dāng)前狀態(tài)，即描述了從Fbk+1到Fbk的相對(duì)位姿：
 
是Fw相對(duì)于Fbk的平移，是為Fw相對(duì)于Fbk的旋轉(zhuǎn)單位四元數(shù)。和表示了從Fbk+1到Fbk的平移和旋轉(zhuǎn)。是相對(duì)于Fbk的速度，ba是加速度偏差，bg是陀螺儀偏差，注意局部重力，gbk也是局部狀態(tài)的一部分。為了在狀態(tài)估計(jì)[30]中具有良好的特性，一個(gè)誤差狀態(tài)的表示被用來求解它的誤差向量被定義為：
 
 
 
 
 
 
其中是3自由度的角度誤差。
 
根據(jù)ESKF的要求，一旦誤差向量被求解，就可以通過將其插入到的狀態(tài)先驗(yàn)估計(jì)中，以獲得最終的即：
 
 
 
其中表示四元數(shù)乘法，exp將角度向量映射到四元數(shù)旋轉(zhuǎn)中。
2）傳播
在這一步，如果有新的IMU數(shù)據(jù)，則預(yù)測(cè)誤差狀態(tài)，誤差狀態(tài)的協(xié)方差矩陣Pk以及狀態(tài)先驗(yàn)估計(jì)。IMU誤差狀態(tài)的線性化的連續(xù)時(shí)間模型[32]如下：
 
 
其中是高斯噪聲向量（定義與[16]相同）。Ft是誤差狀態(tài)的轉(zhuǎn)換矩陣，Gt是在t時(shí)刻的噪聲雅克比矩陣：
 
 
其中將一個(gè)三維向量變換為它的反對(duì)稱矩陣。是從t時(shí)刻IMU附加幀獲得的相對(duì)于Fbk的旋轉(zhuǎn)矩陣。和是t時(shí)刻的加速度和角速度，并通過原始數(shù)據(jù)，去除偏差和重力影響進(jìn)行計(jì)算得到：
 
 
 
 
 
 
離散方程(5)推導(dǎo)出以下的傳播方程：
 
其中，分別為連續(xù)的IMU時(shí)間，Q為w的協(xié)方差矩陣，通過離線的傳感器標(biāo)定獲得。
 
為了預(yù)測(cè)，需要建立以機(jī)器人為中心狀態(tài)的離散時(shí)間傳播模型。讀者可以參照[15]，[27]以查看IMU測(cè)量值積分的細(xì)節(jié)。
 
3)更新
我們提出了一種迭代更新方案，這是這項(xiàng)工作的主要貢獻(xiàn)。
在迭代的卡爾曼濾波中，考慮到先驗(yàn)的偏差和從測(cè)量模型中得到的殘差函數(shù)f(·)，狀態(tài)更新可以作為一個(gè)優(yōu)化問題[7]，[29]：
 
 
其中||·||表示馬氏距離，Jk是f(·)對(duì)測(cè)量噪聲的雅克比矩陣，Mk為測(cè)量噪聲的協(xié)方差矩陣。f(·)的輸出實(shí)際上是根據(jù)點(diǎn)-邊或點(diǎn)-平面對(duì)計(jì)算出的堆疊殘留向量。給定，f(·)中的誤差形式與相關(guān)，即Fk+1中的第i個(gè)特征點(diǎn)，描述為：
 
 
 
又有
 
其中是從Fk+1變換到Fk的點(diǎn)。和共同表示了激光雷達(dá)和IMU之間的外參（通過離線標(biāo)定計(jì)算得出）。
 
 
 
 
公式13的物理解釋如下。對(duì)于一個(gè)邊緣點(diǎn)，它表示了其到對(duì)應(yīng)邊緣的距離。對(duì)于一個(gè)平面點(diǎn)，它表示了其到對(duì)應(yīng)平面（由三個(gè)點(diǎn)定義）的距離。如何選擇這三個(gè)點(diǎn)的細(xì)節(jié)可以參考[8]。
公式12通過以下的迭代更新公式進(jìn)行求解：
 
其中表示第j次迭代的修正向量。Hk,j是對(duì)的雅克比矩陣。注意到，對(duì)于每次迭代，尋找新的匹配邊和匹配面以最小化誤差，然后計(jì)算新的H,J和K矩陣。當(dāng)?shù)趎次迭代小于一個(gè)確定閾值時(shí)，通過如下公式更新Pk：
 
 
 
 
 
使用公式4可以獲得最終的原始的畸變特征可以通過估計(jì)的相對(duì)位姿進(jìn)行畸變校正。
 
最后，我們進(jìn)行下一幀狀態(tài)的初始化：
 
 
q0表示單位四元數(shù)，和可以通過和
 
 
 
 
計(jì)算得到。注意，關(guān)于速度，偏差和局部重力的協(xié)方差保留在協(xié)方差矩陣中，而與相對(duì)位姿相對(duì)應(yīng)的協(xié)方差設(shè)置為零，即，對(duì)于機(jī)器人中心坐標(biāo)系的本身參考不存在不確定性。
4)狀態(tài)組合
在機(jī)器人中心的公式中，每次更新完成后，需要更新全局位姿，通過如下的組合步驟：
 
 
5）初始化
如第三章節(jié)-C所述，以機(jī)器人為中心的公式可以促進(jìn)濾波器狀態(tài)的初始化。關(guān)于初始參數(shù)設(shè)置，在我們的實(shí)現(xiàn)中，（i）初始加速度偏差和激光雷達(dá)-IMU外參是通過離線標(biāo)定獲得的，而初始陀螺儀偏差是相應(yīng)靜態(tài)測(cè)量值的平均值，（ii）初始側(cè)傾和俯仰是從移動(dòng)前的無偏加速度測(cè)量中獲得的；（iii）通過使用（ii）中的初始側(cè)傾和俯仰，將導(dǎo)航幀中表示的重力向量轉(zhuǎn)換到當(dāng)前局部幀，來獲取初始的局部重力。
4 結(jié)果
我們?cè)诰哂?.4GHz四核和8Gib內(nèi)存的便攜式計(jì)算機(jī)上評(píng)估LINS在不同情況下的性能，并將其與LeGO[9]，LOAM[8]和LIOM[5]進(jìn)行比較。所有方法都用C++實(shí)現(xiàn)，并在Ubuntu Linux中使用機(jī)器人操作系統(tǒng)（ROS）[33]執(zhí)行。在以下實(shí)驗(yàn)中，LINS的建圖模塊由LeGO[9]中提出的建圖算法實(shí)現(xiàn)。之前的大多數(shù)文獻(xiàn)僅分析了最終軌跡的性能，即地圖模塊已進(jìn)行優(yōu)化了的里程計(jì)。但是，我們發(fā)現(xiàn)初始里程計(jì)，即里程計(jì)模塊的輸出，對(duì)整體性能有很大影響。因此，我們將兩者都考慮在內(nèi)。為了區(qū)分這兩種測(cè)距法，我們將地圖優(yōu)化的里程計(jì)稱為地圖精制里程計(jì)（MRO），初始里程計(jì)稱為純里程計(jì)（PO）。
A. 室內(nèi)實(shí)驗(yàn)
在室內(nèi)測(cè)試中，選擇一個(gè)停車場(chǎng)作為實(shí)驗(yàn)區(qū)域，如圖4（a）所示。我們將傳感器套件安裝在大巴上，如圖4（b）所示，其中RS-LiDAR-16安裝在頂部，IMU放置在大巴內(nèi)部。圖5（a），5（b）和5（c）分別提供了LINS，LeGO和LOAM的結(jié)果。盡管我們沒有地面真值，但我們?nèi)匀豢梢阅恳暀z查L(zhǎng)INS-PO的軌跡是否可以與MRO軌跡精確對(duì)齊（通常，MRO在室內(nèi)幾乎沒有漂移，并且比PO更準(zhǔn)確），而LeGO-PO和LIOM-PO都在偏航角上有明顯的漂移。
B.大尺度的室外實(shí)驗(yàn)
為了驗(yàn)證通用性和穩(wěn)定性，在四個(gè)室外應(yīng)用場(chǎng)景中進(jìn)行了實(shí)驗(yàn)：城市，港口，工業(yè)園區(qū)和森林。圖3展示了LINS生成的一些環(huán)境照片和相應(yīng)的地圖。我們測(cè)量了GPS接收器產(chǎn)生的地面真相與提供的估計(jì)位置之間的差距通過每種方法來指示漂移量，然后將其與行進(jìn)距離進(jìn)行比較以產(chǎn)生相對(duì)漂移。實(shí)驗(yàn)結(jié)果列于表I。
 
圖3 （a）寬闊而開放的港口區(qū)域；（b）存在許多建筑物，樹木和汽車的工業(yè)園區(qū)；（c）穿過森林區(qū)域的整潔道路照片和相應(yīng)的地圖（由LINS制作）。LINS在所有測(cè)試環(huán)境中均表現(xiàn)良好。
 
圖4.室內(nèi)測(cè)試的傳感器配置。（a）LINS建造的停車場(chǎng)地圖。（b）激光雷達(dá)安裝示意，IMU固定在大巴上。
總而言之，LINS在所有測(cè)試的場(chǎng)景中均表現(xiàn)良好。特定環(huán)境的詳細(xì)分析如下。
1）港口實(shí)驗(yàn)：我們?cè)u(píng)估了廣東某港口的LINS效果。該傳感器套件包括一個(gè)Velodyne VLP-16激光雷達(dá)和一個(gè)固定在汽車頂部的Xsens MTi-G-710 IMU。地面真實(shí)軌跡由GPS模塊提供。我們從一個(gè)集裝箱包圍的路徑開始記錄數(shù)據(jù)。汽車駛向碼頭，然后行駛了1264米的距離，回到了原來的地點(diǎn)。值得一提的是，這些集裝箱會(huì)不斷地進(jìn)出，從而改變了全局地圖，這可能會(huì)破壞MRO的性能。
表1 運(yùn)動(dòng)估計(jì)的相對(duì)漂移誤差
 
根據(jù)表一，我們發(fā)現(xiàn)LINS和LIOM的漂移最少。LINS-MRO的相對(duì)漂移為1.56％，略高于LIOM的1.40％，而LINS-PO的相對(duì)漂移僅為2.75％。結(jié)果表明，IMU和激光雷達(dá)的組合可以有效地提高精度。盡管LOAM和LeGO的相對(duì)漂移似乎很小，但它們可能會(huì)產(chǎn)生巨大的方向誤差。圖6（a）和6（b）提供了LeGO和LINS的詳細(xì)軌跡和地圖。與地面真值（綠線）相比，我們發(fā)現(xiàn)LeGO（包括MRO和PO）的軌跡在第一次轉(zhuǎn)彎時(shí)轉(zhuǎn)向了錯(cuò)誤的方向。我們還可以目視檢查圖6（c）中由LeGO構(gòu)建的地圖發(fā)生了變形。相比之下，LINS表現(xiàn)出與地面真實(shí)軌跡的良好對(duì)齊，并且生成的地圖對(duì)真實(shí)環(huán)境具有很高的保真度。即使在特征不足的第一次轉(zhuǎn)彎中（每次掃描僅可使用約30個(gè)邊緣特征），LINS仍然表現(xiàn)出色，這表明我們的算法對(duì)特征稀疏的場(chǎng)景更為魯棒。
 
圖5 （a）LINS，（b）LeGO和（c）LOAM在室內(nèi)實(shí)驗(yàn)中得到的軌跡。我們觀察到，所有方法的MRO軌跡看起來都很相似，但是它們的PO軌跡完全不同。與其他方法相比，LINS的PO軌跡與其MRO軌跡對(duì)齊的更好。
 
圖6 LeGO和LINS估算的軌跡和地圖。請(qǐng)注意，PO軌跡以藍(lán)線繪制，MRO軌跡以紅線繪制，GPS地面真值以綠線繪制。我們看到，LINS的軌跡接近于地面真實(shí)情況，因此生成的地圖的保真度高于LeGO。
2）城市實(shí)驗(yàn)：我們使用圖4（b）中相同的傳感器套件進(jìn)行了城市實(shí)驗(yàn)。GPS接收器產(chǎn)生的位置被用作地面真值。值得一提的是，在此場(chǎng)景中，每次掃描的平均邊緣特征數(shù)僅為56，這是所有測(cè)試場(chǎng)景中最低的。
 
圖7 在城市實(shí)驗(yàn)中通過不同方法生成的MRO軌跡，以紅色線繪制。
 
圖8. LINS和LIOM的MRO和PO之間的絕對(duì)軌跡誤差比較。
我們首先看一下LeGO和LOAM的輸出，分別在圖7（b）和7（c）中可以看到。我們觀察到幾乎每次轉(zhuǎn)彎都會(huì)發(fā)生巨大的方向誤差。圖7（a）展示了在同一數(shù)據(jù)集上運(yùn)行時(shí)LINS的結(jié)果。生成的軌跡與現(xiàn)實(shí)世界的道路顯示出良好的對(duì)齊，這證實(shí)了LINS即使在特征稀疏的場(chǎng)景中也可以穩(wěn)定運(yùn)行。LINS的最終MRO和PO漂移分別為1.79％和4.42％，非常接近LIOM的MRO和PO漂移，分別為1.76％和4.44％。此外，與圖7（d）所示的LIOM軌跡相比，以及圖8（a）和8（b）所示的絕對(duì)軌跡誤差（ATE），我們可以看到LINS的性能就準(zhǔn)確性而言，接近LIOM的性能。我們分析了LIOM在建圖步驟中受益于旋轉(zhuǎn)約束的細(xì)化，從而導(dǎo)致MRO結(jié)果的準(zhǔn)確性更高。
C.運(yùn)行時(shí)間比較
表2比較了LINS和LIOM中激光雷達(dá)慣性里程計(jì)模塊的平均運(yùn)行時(shí)間。我們看到LINS的速度比LIOM快得多，LINS處理一次掃描所需的時(shí)間少于30毫秒，而LIOM始終需要100毫秒以上。在某些極端情況下，例如停車場(chǎng)，那里的特征非常豐富，LIOM最多需要223毫秒，而LINS僅需要25毫秒。結(jié)果表明，LINS的實(shí)時(shí)性優(yōu)于LIOM。
表2 每幀LIO模塊的運(yùn)行時(shí)間
 
LIOM的LIO模塊中最耗時(shí)的部分是局部地圖約束構(gòu)造和批處理優(yōu)化，其中它在多個(gè)激光雷達(dá)掃描中維護(hù)局部地圖，并通過MAP估計(jì)求解所有的相對(duì)狀態(tài)。LINS出色的計(jì)算速度背后的主要原因是，它使用卡爾曼濾波器而不是批處理MAP，因?yàn)榭柭鼮V波器通過按時(shí)間順序分解批解決問題，并以遞歸形式求解來隱式減小了優(yōu)化問題的維度[25]。另一個(gè)原因是我們僅使用來自先前激光雷達(dá)掃描的點(diǎn)云進(jìn)行匹配。這樣，盡管使用的點(diǎn)云比LIOM中構(gòu)建的本地地圖稀疏，但我們?nèi)钥梢越柚鶬MU來獲得準(zhǔn)確的結(jié)果。
5 結(jié)論
在本文中，我們開發(fā)了一種用于機(jī)器人導(dǎo)航的輕量級(jí)激光雷達(dá)慣性狀態(tài)估計(jì)器。通過使用以機(jī)器人為中心的公式化的迭代ESKF，我們的算法能夠在具有挑戰(zhàn)性的環(huán)境下提供實(shí)時(shí)，長(zhǎng)期，可靠和高精度的自身運(yùn)動(dòng)估計(jì)。該算法在城市，港口，工業(yè)園區(qū)，森林和室內(nèi)停車場(chǎng)等各種場(chǎng)景中得到了驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，LINS優(yōu)于僅使用激光雷達(dá)的方法，并與最先進(jìn)的激光雷達(dá)慣性里程計(jì)算法的性能相當(dāng)，而計(jì)算成本卻更低。
參考文獻(xiàn)：
 
 
END
 
聯(lián)系人：唐老師  
電話：021-69589116
郵箱：20666028@#edu.cn
 
 
分享到：
 
反對(duì) 0 舉報(bào) 0 收藏 0 評(píng)論 0
滬ICP備11026917號(hào)-25