JunJun

多传感器融合被证明是一种能够在SLAM任务中取得准确和鲁棒位姿估计的有效解决方案，因而在机器人应用中具有无限可能。本文提出了FAST-LIVO方法，一种快速的雷达-惯性-视觉里程计，其中包含了两个紧耦合的直接里程计子系统：一个VIO子系统和一个LIO子系统。.........

在本文中，我们提出了一个新颖的激光惯性视觉传感器融合框架，也就是R3live；它利用了激光雷达、惯性和视觉传感器的测量值，可以得到鲁棒和高精度的状态估计。R3live包含了两个子系统，激光惯性里程计系统（LIO）和视觉惯性里程计系统（VLO）。LIO子系统（FAST-LIO）利用激光雷达和惯性传感器的测量数据构建全局地图的几何特征。VIO子系统则利用视觉和惯性传感器的测量数据给地图添加纹理（也就是给3D点赋予颜色）...............

本文提出了一种基于增量体素的激光惯性里程计（LIO）方法，用于快速跟踪旋转和固态激光雷达。为了实现快速的跟踪速度，我们既没有使用复杂的基于树的结构来划分空间点云，也没有使用严格的k最近邻(k-NN)查询计算点匹配。相反，我们使用增量体素(iVox)作为我们的点云空间数据结构（增量体素是对传统体素的修改、支持增量插入和并行近似k-NN查找）。我们把线性iVox和PHC（伪希尔伯特曲线）iVox作为我们算法两种可选的底层数据结构。

本文提出了FAST-LIO2：一个快速，鲁棒和多功能的雷达惯性里程计框架。基于一个高效的紧耦合的迭代卡尔曼滤波，FAST-LIO2有两个关键的创新点，可实现快速、鲁棒和准确的激光导航（和建图）。

本文提出了一个计算效率较高和鲁棒的激光-惯性里程计框架。我们使用紧耦合的迭代扩展卡尔曼滤波器将LiDAR特征点与IMU数据融合在一起，以便在发生退化的快速运动，嘈杂或杂乱环境中实现稳健的导航。为了在存在大量测量值的情况下降低计算负载，我们提出了一个计算卡尔曼增益的新公式。新公式的计算负载取决于状态维度而不是测量维度。...

我们提出了一个通过smoothing and mapping的雷达视觉惯性里程计紧耦合的框架，LVI-SAM，能够实时状态估计和建图，且具有很高的精度和鲁棒性。LVI-SAM基于因子图构建，其包含了两个子系统：一个视觉惯性系统和一个雷达惯性系统。这两个子系统以紧耦合的方式设计，其中VIS利用LIS的状态估计促进VIS的初始化。VIS的精度通过使用激光雷达的测量值提取视觉特征点的深度信息进行提高。反之，LIS使用VIS的状态估计作为估计初值进行scan-match。......................

我们提出了一个通过smoothing and mapping实现的紧耦合激光惯性里程计框架，LIO-SAM，能够取得高精度、实时的移动机器人的轨迹估计和地图构建。LIO-SAM基于因子图构建，把多个相对测量数据或者绝对测量数据，包括回环检测，以因子的形式加入到系统中进行联合优化。通过IMU预积分获得的运动估计可以用于点云运动畸变的修正和作为激光里程计优化的初值。反之，基于获得的激光里程计可以估计IMU的零偏。...............