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

原创

已于 2024-09-25 18:44:31 修改 · 1.3w 阅读

87 ·

CC 4.0 BY-SA版权

文章标签：

#自动驾驶 #算法 #计算机视觉

于 2021-08-26 19:23:52 首次发布

本文提出了一种名为LVI-SAM的紧密耦合激光雷达视觉惯性SLAM系统，旨在实现高精度实时状态估计和建图。该系统由视觉惯导子系统和激光雷达惯导子系统组成，两者通过因子图进行融合。LVI-SAM利用视觉、激光雷达和IMU数据，通过故障检测和回环闭合检测提高鲁棒性，即使在特征贫乏的环境中也能保持稳定工作。在多个数据集上的实验表明，LVI-SAM在精度和鲁棒性方面表现出色。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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。