LiDAR-Inertial SLAM with Efficiently Extracted Planes

摘要

        本文提出了一种具有有效提取平面的LiDAR惯性SLAM，其在里程计中耦合显式平面以提高精度，并在映射中耦合显式平面以提高一致性。该方法包括三个部分：一个有效的点→线→面提取算法，LiDAR惯性-平面紧耦合测距法，和一个全球平面辅助映射。具体来说，我们利用激光雷达点云的环形场来加速基于区域生长的平面提取算法。然后在滑动窗口中将IMU预积分因子、LiDAR测距因子和显式平面因子紧密耦合，以获得更精确的初始位姿进行映射。最后，我们在全局地图中保持显式平面，并通过优化优化里程因子和平面观测因子的因子图来增强系统的一致性。实验结果表明，我们的平面提取方法是有效的，所提出的平面辅助激光雷达惯性SLAM显着提高了准确性和一致性相比，其他国家的最先进的算法，只有一个小的时间消耗增加。

一.介绍

随着实时三维重建和自定位的能力，基于激光雷达的同步定位和地图（SLAM）已被广泛应用于许多室内机器人应用，如自主导航，控制和运动规划。然而，由于狭窄的室内空间和重复的结构，传统的基于LiDAR的SLAM遭受显着的累积误差。另一方面，平面普遍存在于室内环境中，如何快速提取并合理应用于SLAM中，近年来受到了广泛的关注。

一些工作在扫描配准中利用局部拟合平面，例如基于表面的方法[1，2]和局部平面特征方法[3，4]，而忽略环境中明确存在的平面。其他作品介绍了显式平面，如BALM [5]和π-LSAM [6]。然而，平面提取算法是计算密集型的，这限制了它们的实时应用。

为了解决这个问题，我们提出了一个有效的激光雷达环的平面提取算法和紧密耦合的显式平面的测距和映射的激光雷达惯性SLAM（LI-SLAM）。本文的主要贡献如下：

1. 提出了一种基于环的点→线→面提取算法，该算法能够有效、鲁棒地提取点云中的显式平面。
2. 我们开发了一个LI-SLAM系统，在里程计和映射方面都具有紧密耦合的显式平面，这提高了系统的准确性和一致性。
3. 所提出的方法在公共数据集（即，VECtor [7]）和自我收集的数据集。结果表明，我们的系统实现了更好的性能与其他国家的最先进的激光雷达惯性SLAM算法相比，在时间成本增加很少。

二.相关工作

A.激光雷达-惯性SLAM

        激光雷达-惯性SLAM方法大致分为两类：松耦合方法和紧耦合方法。松耦合方法依赖于先前的预测，使用IMU数据来消除点云的失真，并为点云配准提供初始位姿。例如，像LOAM [3]这样的早期方法和像LeGO-LOAM [8]这样的最新改进都是松散耦合的系统。然而，由于缺乏使用来自两个传感器的原始数据，松耦合系统的精度较低。

        相比之下，紧耦合系统联合处理LiDAR和IMU数据，考虑到它们的内部关系，通常可以提供更好的精度和鲁棒性。LIOmapping [9]采用优化框架[10]来最小化IMU和LiDAR测量的残差。LIO-SAM [4]通过引入LiDAR关键帧并使用因子图来联合优化IMU和LiDAR来限制计算复杂度。它是目前最流行的开源LI-SLAM框架之一。FAST-LIO [11]使用误差状态迭代卡尔曼滤波器将IMU和LiDAR测量紧密耦合。FAST-LIO 2 [12]提出了一种增量kd树来更有效地管理地图。

B.基于激光雷达的平面SLAM

        在基于LiDAR的SLAM算法中，大多数算法使用由边缘或平面特征组成的点云图，例如LOAM [3]&#x