LIRO:紧耦合激光-惯性-测距里程计
点击上方“3D视觉工坊”,选择“星标”
干货第一时间送达
LIRO: Tightly Coupled Lidar-Inertia-Ranging Odometry
紧耦合激光-惯性-测距里程计
下载链接: https://arxiv.org/abs/2010.13072.pdf
作者: Thien-Minh Nguyen, Muqing Cao, Shenghai Y uan, Yang Lyu, Thien Hoang Nguyen, and Lihua Xie
编辑:周朋伟
审核:张海哈
摘要
近年来,由于3D LiDAR 成本和重量不断的降低,在机器人领域中得到广泛的应用。尽管有许多进展,但是轨迹漂移和跟踪失效仍然是这些系统中普遍存在的现象。在理论上,可以利用环境中固定的路标信息作为观测来解决。因此,我们提出一种基于超宽带UWB,激光和惯性测量单元的紧耦合方案。首先,与机器人位姿相关的IMU、LiDAR和UWB的数据在滑动窗口中产生关联。随后,我们构建代价函数融合来自UWB、LiDAR和IMU预积分的测量值。最后,执行优化过程以估计机器人的位置和姿态。通过一些现实世界实验证明了该方法可以有效地解决漂移问题,同时只需要在环境照顾中部署两到三个定位标签。
背景与贡献
在目前的自主导航方案中,由于近年来激光雷达的传感器的成本和重量降低后,基于3D LiDAR的方案得到广泛使用。最初雷达重量超过10公斤,数万美元,因此大多数情况下只能用于大型自动轿车。相比之下,目前的一些商用产品只有几百克的重量, 只需几百美元。对比于基于视觉的定位方案,采用激光雷达有更多优势。例如,雷达可以直接观测公制的几何特征,因此,他可以直接用于机器人的定位,而基于单目相机的视觉SLAM方案仅能够提供模糊的尺度信息。相比于RGBD相机或视觉相机可以同时检测到公制尺度特征,LiDAR具有更远的检测范围。尽管拥有上述优点,由于环境中缺乏几何特征,仍然会使LOAM系列的方案发生轨迹漂移。此外,在这些方法下,机器人只能估计相对于初始时刻的位置。这些问题在诸如3D结构的检查之类的应用中非常不便。其中通常选择所谓的世界坐标系完成轨迹预测。一种方案是利用GPS融合LOAM算法。但是仅仅能够在一些空旷区域有效。另外的方法是通过场景重识别或者回环检测来矫正位姿漂移。在本文中,我们通过使用从机器人到两到三个UWB定位标签的测量值,矫正长时间导航中位置和姿态的漂移现象。位置和姿态也可以通过标签部署定义的坐标系下使用。因此,本文的里程计方案是零漂移和全局的。本文的主要贡献如下:
我们将灵活便捷的测距方案与激光-惯性里程计系统集成,以实现无漂移和全局的位姿估计。
我们设计了一个高效的紧耦合的传感器融合框架,将载体的距离偏移,IMU预积分和激光里程计融合在一起,以便实时的完成机器人的位姿估计。
我们在实际环境中进行了广泛的试验,验证方案的有效性。
方法
1. 符号标记
我们记 时刻机器人的状态包括
其中表示姿态,位置和速度。表示加速度计和陀螺仪的偏置。这里的表示世界坐标系,是由使用者的定位标签决定的。我们每k步执行一次滑动窗口的优化。
在我们的实验中,滑动窗口的长度被设置为10。在我们实验中不对外参进行优化,提前手动标定好。
图1 激光惯性里程计示意图
2. UWB测距和通信网络
如图1所示,我们通过UWB测量路标点节点之间的距离,以及路标点和机器人和路标点之间的距离。
图2 三次距离测量示意图
首先,我们在固定区域放置定位标签。为了简化任务,我们仅在距离地面相同高度上放置两个或三个定位标签记为。可以看出两个以上的定位标签足够定义一个坐标系统。通常我们第0个标签假设在。同时从标签0到标签1的方向被定义为x轴正向。因此,标签1的坐标可以设定为。第三个标签的位置可以通过几何运算直接得到。测距方案的下一个步骤是机器人上部署UWB测距节点,多个UWB节点被安装在机器人上。他们在载体上的位置是已知的,因此可以通过他们直接获得全局姿态。
3. UWB测距工作流程
在标签位置确定以后,机器人到标签的距离可以直接被用于估计位置。首先通过信噪比、视距、变动率等移除不可靠的测量。当系统获得时刻的点云,对应的状态被创建。检查时间段中UWB的缓存,所有的测量数据已经到达。这些数据将会和IMU预测状态一起移除异常值。获得有效的测量值集合。
4. IMU预积分测量流程
IMU测量值的处理流程相对简单,同样提取时间段的数据,通过预积分得机器人的状态and 之间的测量值。同样,IMU预积分结果也被用于优化的初始值。
5. LiDAR点云处理流程
该部分的流程与LIO-Mapping算法类似。从原始的点云中提取平面特征和角点特征后,存储在缓存中。并构建局部子图。不同的特征将会被直接构建成雷达特征因子。
图3 因子图示意图
6. 多传感器融合联合位姿优化
图3中展示算法的因子图结构,其中每个UWB测量值,IMU预积分结果和LiDAR特征因子以及先验约束被用于联合位姿优化,残差函数的形式如下
其中表示UWB,IMU和雷达的测量残差。是测量误差的协方差矩阵。##### 6.1 IMU预积分因子 当我们获得IMU的加速度和角速度以及Bias的名义值以后,IMU预积分结果可以通过以下式子得到
名义值和真实值以及误差值的关系如下
其中表示位移误差,速度误差,姿态误差。表示预积分的结果关于Bias的雅克比。
6.2 IMU预积分残差
6.3 雷达特征因子 在时刻时,我们有一系列的特征点云,首先将其合并到局部子图中去。
6.4 UWB测量因子 每个时间段,我们可以一系列UWB的测量数据集合,其具体形式如下:
其中表示距离测量值,,表示UWB标签的位置坐标。表示载体系下的距离节点。如果我们假设载体在时间段内的速度和姿态是以恒定的速率变化。那么在时刻从标签到UWB距离节点被定义为如下形式
我们考虑在时刻的距离测量值作为一个向量的范数,其受高斯噪声的影响,如。综上,UWB距离因子被定义如下
实验部分
图4 飞行测试中的试验设备
图5 不同算法雷达水平运动的轨迹示意图
图6 不同算法雷达水平运动姿态变化
表1 水平运动中的三次实验,不同算法的均方误差对比
表2 垂直运动中的三次实验,不同算法的均方误差对比
本文仅做学术分享,如有侵权,请联系删文。
下载1
在「3D视觉工坊」公众号后台回复:3D视觉,即可下载 3D视觉相关资料干货,涉及相机标定、三维重建、立体视觉、SLAM、深度学习、点云后处理、多视图几何等方向。
下载2
在「3D视觉工坊」公众号后台回复:3D视觉github资源汇总,即可下载包括结构光、标定源码、缺陷检测源码、深度估计与深度补全源码、点云处理相关源码、立体匹配源码、单目、双目3D检测、基于点云的3D检测、6D姿态估计源码汇总等。
下载3
在「3D视觉工坊」公众号后台回复:相机标定,即可下载独家相机标定学习课件与视频网址;后台回复:立体匹配,即可下载独家立体匹配学习课件与视频网址。
重磅!3DCVer-学术论文写作投稿 交流群已成立
扫码添加小助手微信,可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群,旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。
同时也可申请加入我们的细分方向交流群,目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。
一定要备注:研究方向+学校/公司+昵称,例如:”3D视觉 + 上海交大 + 静静“。请按照格式备注,可快速被通过且邀请进群。原创投稿也请联系。
▲长按加微信群或投稿
▲长按关注公众号
3D视觉从入门到精通知识星球:针对3D视觉领域的视频课程(三维重建系列、三维点云系列、结构光系列、手眼标定、相机标定、orb-slam3等视频课程)、知识点汇总、入门进阶学习路线、最新paper分享、疑问解答五个方面进行深耕,更有各类大厂的算法工程人员进行技术指导。与此同时,星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息,打造成集技术与就业为一体的铁杆粉丝聚集区,近2000星球成员为创造更好的AI世界共同进步,知识星球入口:
学习3D视觉核心技术,扫描查看介绍,3天内无条件退款
圈里有高质量教程资料、可答疑解惑、助你高效解决问题
觉得有用,麻烦给个赞和在看~
LIRO:紧耦合激光-惯性-测距里程计相关推荐
- LIC Fusion 2.0:滑动窗口法平面特征跟踪的激光雷达惯性相机里程计
点云PCL免费知识星球,点云论文速读. 标题:LIC-Fusion 2.0: LiDAR-Inertial-Camera Odometry with Sliding-Window Plane-Feat ...
- 一:Tixiao Shan最新力作LVI-SAM(Lio-SAM+Vins-Mono),基于视觉-激光-惯导里程计的SLAM框架,环境搭建和跑通过程
一:前言介绍 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 ...
- LIC-Fusion 2.0:基于滑动窗口法平面特征跟踪的激光雷达惯性相机里程计
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 摘要 来自商用惯性.视觉和激光雷达传感器的多模态测量的多传感器融合提供了鲁棒和精确的6自由度姿态估计, ...
- 浙大开源 | VID-Fusion: 用于精确外力估计的鲁棒视觉惯性动力学里程计
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 1 摘要 近年来,四旋翼飞行器在航空运输中受到了极大的关注.在这些情况下,外力的精确估计与6自由度(D ...
- 具有在线外参校准的多激光雷达系统的里程计和地图绘制系统
文章:Robust Odometry and Mapping for Multi-LiDAR Systems with Online Extrinsic Calibration 作者:Jianhao ...
- Fast-Livo:快速紧耦合稀疏-DirectLiDAR-惯性视觉里程计
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 作者丨吕乐章 来源丨计算机视觉life 今天给大家分享一篇香港大学火星实验室最新的成果,题目是快速紧耦 ...
- HybVIO: 突破实时视觉惯性里程计的极限
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 作者丨paopaoslam 来源丨泡泡机器人SLAM 标题:HybVIO: Pushing the L ...
- 五.激光SLAM框架学习之A-LOAM框架---项目工程代码介绍---3.laserOdometry.cpp--前端雷达里程计和位姿粗估计
专栏系列文章如下: 一:Tixiao Shan最新力作LVI-SAM(Lio-SAM+Vins-Mono),基于视觉-激光-惯导里程计的SLAM框架,环境搭建和跑通过程_goldqiu的博客-CSDN ...
- slam入门2:轮式里程计与2D激光联合标定及里程计内参校准
一.参考论文(同一个作者的两篇论文): 1.Simultaneous maximum-likelihood calibration of odometry and sensor parameters ...
最新文章
- html地图自动适合窗口,【整理】用html和javascript实现类似百度地图的画布
- JBOSS只能本机localhost和127.0.0.1能访问的解决
- linux 软件包的安装
- 【数据挖掘】数据挖掘简介 ( 6 个常用功能 | 数据挖掘结果判断 | 数据挖掘学习框架 | 数据挖掘分类 )
- Apache下有效防止盗链仿下载的解决办法
- html字体置顶,2020年应使用的3种CSS字体属性
- 编译条件编译——判断当前使用的编译器及操作系统
- X 射线技术揭示芯片的秘密!
- 微软11月补丁星期二值得关注的6个0day及其它
- 大数据分析平台由哪些部分组成
- kubernetes 查看pod在哪个node节点运行
- python模拟足球比赛_博客园仿真足球竞赛平台Python版SDK
- 硬件文章远程视频监控
- puppet on windows
- python去除字符串中的单词_从字符串中删除特定单词的最有效方法
- The APR based Apache Tomcat Native library which allows optimal performance in production ...解决方案
- CSS 技巧,冲鸭!
- (八)Python数据分析与挖掘实战(实战篇)——中医证型关联规则挖掘
- Android屏幕监视方法,Android 关于手机屏幕的那些事
- 广告主选择投放广告的指标——精准性
热门文章
- AcWing 2041. 干草堆
- 红米note5手机插u盘没反应_U盘插到充电器上会损坏?爆炸?实验结果没让我失望...
- 异贝,通过移动互联网技术,为中小微实体企业联盟、线上链接、线上线下自定义营销方案推送。案例25
- FANUC机器人编码器相关报警代码及处理方法
- 漫画 | 打死我也不学编译了!
- Go 程序崩了?煎鱼教你用 PProf 工具来救火!
- 【量子力学】国际象棋与量子国际象棋Quantum Chess游戏规则
- 北邮智能车仿真培训(九)—— 室外光电创意组仿真
- MySQL(4.常见函数)
- scratch字母点头问好 电子学会图形化编程scratch等级考试一级真题和答案2020-9