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

---

写在前面

本文参考：惊鸿一博

作者简介：LVI-SAM是Tixiao Shan的最新力作，Tixiao Shan是Lego-loam(基于激光雷达里程计的SLAM框架)和Lio-sam(基于惯性-雷达紧耦合的SLAM框架)的作者，LVI-SAM是Tixiao Shan最新开源的基于视觉-激光-惯导里程计SLAM框架，结合了io-sam和Vins-Mono的视觉-激光-惯导融合的SLAM框架。

论文原文：论文原文链接

开源代码:开源代码链接

演示视频:

lidar-vision-imu slam: lvi-sam vs LIO-SAM vs LeGO-LOAM

摘要

本文提出了一个紧耦合的雷达视觉惯导SLAM系统，可以实时高精度鲁棒的进行状态估计和建图。LVI-SAM构建在因子图之上，并且由两个子系统组成：一个视觉惯导系统和一个激光惯导系统。这两个子系统利用紧耦合的方法，视觉惯导的系统利用激光惯导的估计来做初始化。视觉惯导系统利用激光雷达的测量给视觉特征提供深度来提升精度。同时激光惯导系统利用视觉惯导的估计值作为初值来做帧的匹配。利用视觉做闭环检测，把检测的结果给激光惯导系统来做优化。当激光惯导和视觉惯导子系统的一个失败的时候LVI-SAM仍然可以工作，这极大的提升了系统在缺少纹理或者特征场景中的鲁棒性。LVI-SAM系统在数据集上进行了测试，取得了很好的效果。

一、引言

同时定位和地图构建(SLAM)是许多移动机器人导航任务所需的基础功能。在过去的20年里，使用SLAM在单个感知传感器等具有挑战性的设置下，使用激光雷达或相机进行实时状态估计和地图构建，取得了巨大的成功。基于Lidar的方法可以远程捕获环境的细节。然而，这种方法通常在无结构环境中运行时失败，如长走廊或平坦的空地。虽然基于视觉的方法特别适合于位置识别，并且在纹理丰富的环境中表现良好，但它们的性能对光照变化、快速运动和初始化都很敏感。因此，基于激光雷达和基于视觉的方法通常都与惯性测量单元(IMU)耦合，以提高其各自的鲁棒性和准确性。激光雷达惯性系统可以帮助纠正点云失真，并解释在短时间内缺乏特征。度量尺度和态度可以通过IMU测量来恢复，以帮助一个可视化的惯性系统。为了进一步提高系统性能，激光雷达、照相机和IMU测量的融合吸引了越来越多的关注。

这一段介绍VIO系统,最好的是VINS-MONO

我们的工作与视觉惯性测速(VIO)、激光雷达惯性测速(LIO)和激光雷达可视化惯性测速(LVIO)最密切相关。我们注意到，我们在本文中没有考虑非惯性系统，尽管我们意识到有成功的非惯性激光雷达视觉系统，如[1]，[2]。视觉惯性测速法(VIO)可分为两大类：基于滤波器