论文笔记-LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping

Abstract

关键词：紧耦合，gtsam

1. IMU在此处的效果：使用imu的结果对点云去畸变；对Lidar Odometry提供较好的初值（取消了帧间里程计）；lidar odometry得到的结果也可以用来估计imu的零偏（紧耦合的体现）

2. 为了保证实时性：
   在位姿优化时边缘化旧的Lidar帧，而不是用Lidar帧和全局地图去匹配。在局部范围的帧匹配（不是全局范围）极大的提高了实时性。这个局部的地图是由选取的关键帧组成的，用的是一种滑窗的方法，让新的关键帧和固定大小的”sub-keyframes”进行配准。

I. Introduction

1. 这里点出了视觉SLAM的优势，比较有利于进行回环方面的检测（比如词袋或者深度学习的方法），但是对光照敏感，而且对于单目相机，尺度是不可观的。而对于激光雷达的话，随着目前技术发展，128线的Lidar已经可以得到环境的很多细节。
2. 作者还指出了LOAM的局限： 由于它的数据是存在全局体素地图中，这样是难以进行回环检测的，因为触发了回环检测之后，通常会进行位姿图优化（只优化位姿，不优化定），这对于loam是不太行的；同时，也难以与其他的传感器进行配合，比如GPS（用于修正位姿）。作为一个里程计，累计误差一定会存在。
3. 不同传感器的结果都可以放入因子图进行联合优化。

II. RELATED WORK

这里主要是提及了使用imu进行松耦合和紧耦合：

• 松耦合（如LOAM，LeGO-SLAM）：
  使用了IMU进行去点云畸变以及为帧间匹配提供初始估计，但是imu没有进入算法的优化过程，作者还举了EKF（滤波方法一般用松耦合框架）用在机器人状态估计的例子，也是松耦合。
• 紧耦合：
  在一些论文中，会使用预积分的imu测量值对点云做运动补偿。对于基于滤波方法的紧耦合，不太好加回环。而LIO-MAPING是基于优化的紧耦合，但是实时性较差（和VINS-MONO类似）。

III. LIDAR INERTIAL ODOMETRY VIA SMOOTHING AND MAPPING

A. 系统概述

符号定义：
世界坐标系$W$，机器人坐标系$B$，把IMU的坐标系就认为是$B$系（在紧耦合框架中是常用做法）。机器人的状态量$x$就可以写成：
$$x=[R^T,p^T,v^T,b^T{]}^T(1)$$
此处有$R\in SO(3)$表旋转矩阵 $p\in {\mathbb{R}}^3$为位移，$v$是速度，$b$是imu的bias。从$B$系到$W$系的变换矩阵$T\in SE(3)$可以被表示为：$T=[R|p]$.

问题的提出：
这里就是用Lidar，imu，GPS（可选）几种数据的观测值，来求得机器人的位姿。这个问题可以可以被构建成最大后验问题，作者使用因子图来对该问题进行建模（论文中说：factor graph is better suited to perform inference when compared with Bayes nets，也是isam的优点(？ 不太理解原因)）。基于高斯噪声的假设，这个问题的MAP inference就相当于是来解决非线性最小二乘优化问题
<怎么把slam问题转化成最小二乘问题见slam十四讲>

四个因子：imu预积分，激光雷达里程计，GPS，回环
因子图的变量：机器人的状态量
什么时候把新的机器人状态量节点加入因子图？
答：当且仅当机器人的位姿变化超过了用户定义的阈值时（此时认为他是关键帧，只有关键帧才被加入因子图）。使用isam2插入新节点对因子图进行优化。

B.IMU预积分因子

作用：提供两帧间的相对约束关系
LIO-SAM中是使用的9轴的imu，除了加速度计和陀螺仪（角速度），还有三个自由度的姿态信息（朝向）。预积分只用到前六个信息。注意加速度计中要考虑到重力的影响（如果是在本地做实验，重力加速度的变化忽略不计）。
imu的观测值(在B系)：
$$\begin{gathered} {\hat{\omega }}_t={\omega }_t+b_t^{\omega }+n_t^{\omega } \\ {\hat{a}}_t=R_t^{BW</} \end{gathered}$$