【LIO-SAM论文全文翻译】：LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping

---

本文参考：https://blog.youkuaiyun.com/weixin_37835423/article/details/111184679?spm=1001.2014.3001.5506

作者简介：作者Tixiao Shan在2018年发表过LeGO-LOAM，当时他还在史蒂文斯理工学院读博士，19年毕业之后去了MIT做助理研究员。这篇文章LIO-SAM实际上是LeGO-LOAM的扩展版本，添加了IMU预积分因子和GPS因子，去除了帧帧匹配部分，然后更详细地描述了LeGO-LOAM帧图匹配部分的设计动机和细节。

论文原文：论文原文链接

开源代码：开源代码链接、

演示视频：

ICRA2021 | lio-sam作者开源新工作：激光雷达的鲁棒位置识别

摘要

我们提出一个框架用于通过SAM紧耦合雷达惯性里程计LIO-SAM，可实现高精度、实时的移动机器人轨迹估计和地图构建。LIO-SAM是基于因子图构建雷达惯性里程计，可以将大量的相对测量值、绝对测量值、回环等多种不同数据作为因子融入雷达惯性里程计系统中。通过imu预积分获得的运动估计可以用于点云的偏斜矫正和用于雷达里程计优化的初始值。获得的雷达里程计结果又可以反过来估计imu的偏置。为了确保在实时性上有更高的性能，我们在进行位姿优化时边缘化掉了一些老的雷达数据，而不是将雷达点云与整个地图进行匹配。Scan-matching 在局部范围内进行而不是在全局范围内进行，可以有效的提高系统的实时性，原因是因为选择性引入关键帧和有效的滑动窗口策略(只将新的关键帧与固定尺寸的多个先前关键帧匹配)。提出的方法已经在拥有多种场景多种范围的三个测试平台采集的数据集上进行了广泛的评估测试。

一、引言

（这一段主要对视觉与激光SLAM方法进行了简单对比）

对于一个可以反馈控制、避障、轨迹规划和其它应用的智能移动机器人，状态估计、定位和建图是基本的要求。使用基于视觉和基于雷达的传感技术，付出巨大的努力支持移动机器人进行6自由度状态估计的高实时性的SLAM技术中。基于视觉的方法一般是使用一个单目相机或立体相机，通过连续采集的照片三角化特征来确定相机的运动。虽然基于视觉的方法非常适合于位置识别，但对初始化、光照、范围等条件特别敏感，以致于单独使用它们去支持一个自动导航系统是不可靠的。另一方面，基于雷达的方法对于光照的改变是没有影响的。特别是最近长距离高分辨率的3D激光雷达(像Velodyne VLS-128和Ouster OS1-128)已经出现了，使得雷达变得更加适合于直接在3D空间获取精细的环境信息。因此，这篇论文集中在基于雷达的状态估计和建图方法。

这一段主要介绍了LOAM方法存在的一些限制

许多的基于激光雷达的状态估计和建图方法在最近20年被提出来．其中LOAM(Lidar Odometry And Mapping)方法对于小漂移实时状态估计和建图是最被广泛使用的。LOAM使用一个雷达和一个imu实现了最好的性能，自从它发布在KITTI odometry benchmark site上，就一直排在最上面。虽然LOAM算法很成功，但依然存在一些限制。首先是它保存地图在一个全局体素地图中，其次它没法进行回环检测，也没法融入其它的像GPS这样的绝对测量数据进行位姿矫正。而且LOAM也存在在大场景测试中偏移问题，原因是因为它核心还是一个基于scan-matching的方法。

这一段介绍本文提出的LIO-SAM方法，及主要贡献

在这篇论文中，我们提出了一个通过SAM紧耦合雷达惯性里程计框架LIO-SAM，用于解决上述的问题。我们假设了一个非线性运动模型用于点云的偏斜矫正，使用原始IMU测量值估计激光雷达扫描期间的传感器运动。该运动估计除了用于点云的偏斜矫正而且还可以作为雷达里程计优化过程中的初始位姿估计。获得的雷达里程计结果反过来被用于估计因子图中imu的偏置。通过引入因子图用于机器人的轨迹估计，我们可以进行有效的基于雷达和imu作为测量值的传感器融合，比方说引入位置识别，引入GPS位置信息和指南针的朝向信息等绝对测量值。这些来自不同数据源的多种因子集合将会在因子图中共同优化。此外，我们在进行位姿优化时，边缘化掉老的雷达帧，而不是像LOAM那样将雷达帧同整个全局点云进行匹配。Scan-matching是在局部范围而不是全局范围内执行，明显的提升了系统的实时性，因为采取了关键帧的选择引入和有效的滑动窗口方法(只将新的关键帧与固定尺寸的多个先前关键帧匹配)。我们工作的主要贡献可以被总结如下：

• 一个基于因子图的紧耦合的雷达惯性里程计框架，适合多传感器融合和全局优化；