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

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。

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

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

JaydenQ

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值