具有高鲁棒性和低漂移的激光视觉惯性里程测量与测绘-优快云博客

点击“阅读原文”进入论文下载通道

作者信息：Ji Zhang | Sanjiv Singh
Kaarta, Inc., Pittsburgh, Pennsylvania
Correspondence
Ji Zhang, Kaarta, Inc., Pittsburgh, PA 15213.
Email: ji@kaarta.com

摘要
本文提出了一个在线估计自我运动的数据处理管道，并利用3D激光扫描仪、摄像机和惯性测量单元(IMU)的数据，构建了一个穿越环境的地图。与传统的卡尔曼滤波或因子图优化方法不同的是，该方法采用了顺序的多层处理管道，解决了从粗到细的运动问题。从运动预测的IMU机械化入手，提出了一种基于视觉惯性耦合的运动估计方法;然后，采用扫描匹配方法进一步细化运动估计和记录映射。由此产生的系统支持高频率、低延迟的自我运动估计，以及密集、准确的3D地图配准。此外，该方法能够通过绕过故障模块的自动重新配置来处理传感器退化。因此，它可以在高度动态运动的情况下运行，也可以在黑暗、无纹理和无结构的环境中运行。在实验过程中，该方法显示相对位置漂移的0.22%超过9.3公里的导航和鲁棒性w.r.t.运行，跳跃，甚至高速公路的速度驾驶(高达33米/秒)。

图1里程测量和映射数据处理管道的代表性结果。(a)操作员在头盔上携带传感器套件，在背包中携带处理计算机，在车辆上奔跑和跳跃。该方法实时估计传感器组件的自我运动，并仅使用机载处理开发一个精确的3D地图。
(b)地图以橙色标示车辆。(c)它显示估计的轨道。(c)中的坐标系说明了(a)中(a)点的传感器位姿[颜色图可在(a)中查看]wileyonlinelibrary.com]

图2里程测量与映射数据处理管道示意图。（a）它显示了标准的卡尔曼滤波器设置。 IMU机械化用于预测，然后每个视觉特征和激光地标构成单独的更新步骤。（b）它显示了因子图优化设置。来自IMU的所有约束，视觉特征和激光标志结合在一个优化问题中。（c）介绍拟议的顺序数据处理流程。从用于预测的IMU机械化开始，视觉 - 惯性耦合方法估计自我运动; 然后，扫描匹配方法进一步细化估计的运动。从左到右，运动从粗到细恢复，精度逐步提高到高水平。此外，右侧的两个模块都提供反馈以校正IMU的速度漂移和偏差。IMU：惯性测量单位[颜色数字可以在wileyonlinelibrary.com]