泡泡图灵智库，带你精读机器人顶级会议文章
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：IROS2020
播音员：
编译：李卓一
审核：万应才,李鑫
这是泡泡图灵智库推送的第 593篇文章，欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权
摘要
大家好，今天为大家带来的文章是——LIO-SAM：基于平滑和建图的紧耦合雷达惯性里程计
我们提出了一种基于平滑和建图的紧耦合激光雷达惯性里程计框架—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在因子图上构建了激光雷达惯性里程计，允许将多源传感器（相对和绝对测量）作为因子纳入系统。IMU预积分估计的运动消除了点云的倾斜，并产生了激光雷达里程计优化的初值。激光雷达里程计的解用于估计IMU的bias。为了确保实时的高性能，我们将旧的激光雷达scan边缘化以进行位姿优化，而不是将激光雷达扫描与全局地图匹配。局部范围上的扫描匹配而不是全局尺度上的扫描匹配可以显著地提高系统的实时性能，正如有选择地引入关键帧，以及一种有效的滑动窗口方法，它将一个新的关键帧注册到一个固定大小的先验的“子关键帧”集合上。所提出的方法在不同规模和环境下从三个平台收集的数据集上进行了广泛评估。
本文链接https://arxiv.org/pdf/2003.04159.pdf
主要贡献
（1）基于factor graph提出了一个紧耦合雷达惯性里程计框架，适用于多源传感器信息。
（2）提出了一个有效的基于局部滑动窗口的scan-matching方法，通过选择关键帧配准到先验子关键帧的固定尺寸集合中，保证了实时性。
（3）所提方法在多个平台和环境中完成了验证。
算法流程
A.系统概述
该系统接收来自3D激光雷达、IMU和可选的GPS传感器数据。我们试图利用这些传感器的观测来估计机器人的状态和它的轨迹。这种状态估计问题可以表述为最大后验（MAP）问题。我们使用因子图来建模这个问题，因为与贝叶斯网相比，它更适合进行推理。图1所示的因子图中包括了：IMU预积分因子，雷达里程计因子，GPS因子，闭环因子。
B．IMU预积分
C．雷达里程计因子
当新的lidar scan到达时，首先进行edge和planar特征提取。考虑到因子图的计算量，本来引入了一个简单有效的启发式关键帧选择策略来选取lidar scan：当两个scan之间的机器人位姿增量大于阈值时，此时lidar scan和位姿pose作为一个node添加至factor graph中。本文设置的阈值是平移1米和旋转10度。在选择关键帧之后，构建雷达里程计的步骤如下：
（1）voxel map的子关键帧：使用了一个sliding window生成了包含一定数量点云关键帧的point cloud map，本文没有直接优化两个连续帧之间的转换，而是提取了n个最近的关键帧，称为“sub-keyframe 子关键帧”用于估计。将选中的子关键帧融入到一个voxel map中。
（2）scan-matching：基于机器人的IMU信息作为运动预测完成scan-matching。
（3）相对转换求解：一个feature与edge或者planar的距离可以由公式10和11计算，使用高斯-牛顿方法求解代价函数，结果作为雷达里程计因子连接两个时刻的pose。
（4）GPS因子：文中提到除了雷达和IMU之外，其他传感器如罗盘，气压计，GPS等也可以作为量测信息进行优化，在实际应用中，我们只在估计的位置协方差大于接收到的GPS位置协方差时添加一个GPS因子。
（5）闭环因子：基于欧氏距离的闭环检测方法，当新的lidar scan加入至factor graph时，搜索一定欧式距离空间内是否有已存在的keyframe，然后将新的lidar scan与子关键帧进行配准，其结果作为闭环检测因子。
主要结果
在校园环境，公园，阿姆斯特丹三个数据集上的对比实验结果如下图所示。
Abstract
We propose a framework for tightly-coupled lidar inertial odometry via smoothing and mapping, LIO-SAM, that achieves highly accurate, real-time mobile robot trajectory estimation and map-building. LIO-SAM formulates lidar-inertial odometry atop a factor graph, allowing a multitude of relative and absolute measurements, including loop closures, to be incorporated from different sources as factors into the system. The estimated motion from inertial measurement unit (IMU) pre-integration de-skews point clouds and produces an initial guess for lidar odometry optimization. The obtained lidar odometry solution is used to estimate the bias of the IMU. To ensure high performance in real-time, we marginalize old lidar scans for pose optimization, rather than matching lidar scans to a global map. Scan-matching at a local scale instead of a global scale significantly improves the real-time performance of the system, as does the selective introduction of keyframes, and an efficient sliding window approach that registers a new keyframe to a fixed-size set of prior “sub-keyframes.” The proposed method is extensively evaluated on datasets gathered from three platforms over various scales and environments.
泡泡机器人SLAM的原创内容均由泡泡机器人的成员花费大量心血制作而成，希望大家珍惜我们的劳动成果，转载请务必注明出自【泡泡机器人SLAM】微信公众号，否则侵权必究！同时，我们也欢迎各位转载到自己的朋友圈，让更多的人能进入到SLAM这个领域中，让我们共同为推进中国的SLAM事业而努力！
商业合作及转载请联系liufuqiang_robot@hotmail.com返回搜狐，查看更多