以下内容来自小六的机器人SLAM学习圈知识星球每日更新内容

(资料图片)

点击领取学习资料 → 机器人SLAM学习资料大礼包

#论文#开源代码#  Point-LIO: Robust High-Bandwidth LiDAR-Inertial Odometry

开源代码及论文地址：https://github.com/hku-mars/Point-LIO

作者单位：香港大学

本文介绍了Point-LIO：一种鲁棒的高带宽雷达惯性里程计，可以用在极剧烈的运动情况下的定位和建图。Point-LIO通过两个关键的创新，使高带宽的雷达惯性里程计（LIO）成为可能。第一个是在每个雷达点处，更新机器人状态的LIO框架，而不是将它们累积成一帧点云。这种逐点更新允许极高频的里程计输出，大大增加了定位带宽，也从根本上消除了剧烈运动中的帧内运动模糊。第二个主要的创新点是采用了随机过程增强的运动学模型，该模型将IMU测量值作为系统输出。

这种新的建模方法能够实现精确的定位和可靠的建图，即使在运动过程中IMU的测量值已经饱和的情况下，也可以正常工作。为了对Point-LIO进行性能评估，我们使用Livox Avia做了多种室内和室外实验。总的来说，Point-LIO能够提供准确的、高频的里程计测量（4-8 kHz），并在严重的振动和超出IMU测量范围的高角速度（75 rad s-1）的剧烈运动中提供可靠的建图。在一般的场景下，Point-LIO可以实现与当前最先进的雷达惯性里程计相当的精度和效率。

最后，演示了Point-LIO的两个应用实例，一个是穿越机，另一个是我们实验室自制的自转无人机，两者都在运动过程中超出了IMU量程（例如，59 rad s-1和25 rad s-1）。

本文贡献如下：

1、提出了一种逐点LiDAR-惯性里程计框架，该框架在实际采样时刻对LiDAR点进行融合，而不会累积成一帧。消除点积累消除了帧内运动失真，并允许以接近点采样速率的高里程计输出和地图更新，从而进一步使系统能够跟踪非常快的运动。

2、为了进一步将系统带宽提升到IMU测量范围之外，我们使用随机过程模型对IMU测量进行建模。然后，我们将该模型扩展到系统运动学中，并将IMU测量值作为系统输出。随机过程增广运动学模型允许平滑估计系统状态，包括角速度和线加速度，即使在IMU饱和时也是如此。

3、我们将这两项关键技术集成到一个完全紧耦合的激光雷达惯性里程计系统中，称为Point-LIO。该系统使用流形上的扩展卡尔曼滤波，通过在其各自的采样时间融合每个LiDAR点或IMU数据来更新系统状态。利用系统的稀疏性和线性度，即使在微型飞行器上基于ARM的低功耗计算机上，所开发的系统也可以实现实时状态估计。

4、开发的系统在各种具有挑战性的真实世界数据中进行了测试，这些数据是由新兴的SolidState LiDAR以非常小的视场收集的。结果表明，Point-lio具有运动失真补偿能力，里程计输出速率高(4~8 kHz)，带宽高(>150 Hz)。该系统还能够估计极端攻击性运动(角速度大于75rad s−1)下的状态，并在初始阶段后用饱和的IMU测量。此外，对来自不同开放LiDAR数据集的12个序列进行了详尽的基准比较，结果表明，Point-lio在计算资源消耗较少的情况下，获得了与其他同类算法相当的精度和效率。最后展示了其在实际无人机上的实际应用。

以上内容来自小六的机器人SLAM学习圈 每日更新内容

标签：