點云PCL免費知識星球，點云論文速讀。

標題：LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping

作者：Tixiao Shan, Brendan Englot, Drew Meyers, Wei Wang, Carlo Ratti, and Daniela Rus

來源：分享者

歡迎各位加入免費知識星球，獲取PDF論文，歡迎轉發朋友圈分享快樂。

論文閱讀模塊將分享點云處理，SLAM，三維視覺，高精地圖相關的文章。公眾號致力于理解三維視覺領域相關內容的干貨分享，歡迎各位加入我，我們一起每天一篇文章閱讀，開啟分享之旅,有興趣的可聯系微信dianyunpcl@163.com。

摘要

本文提出了一種基于smoothing和mapping的激光雷達和慣導的緊耦合框架LIO-SAM，實現了高精度、實時的移動機器人軌跡估計和地圖構建。LIO-SAM將激光雷達慣性里程計建立在因子圖之上，允許來自不同來源的相對和絕對測量值（包括閉合環路）作為因子納入系統中。由慣性測量單元（IMU）預積分估計的運動會使點云失真，為激光雷達里程計優化提供初始預測值。所得到的激光里程計被用來估計IMU的偏差。為了確保實時的高性能，將舊的激光雷達掃描邊緣化以優化姿態，而不是將激光雷達掃描與全局地圖匹配。局部尺度的掃描匹配而不是全局尺度的掃描匹配能夠顯著地提高了系統的實時性能，關鍵幀的選擇性引入也是如此，提出了一種有效的滑動窗口方法，將新的關鍵幀配準到一組固定大小的先驗“子關鍵幀”中，并在不同尺度和不同環境下從三個平臺收集的數據集上進行了廣泛的評估。

開源代碼：https://github.com/TixiaoShan/LIO-SAM.git

主要內容

本文的主要貢獻如下：

?基于因子圖建立了一個緊耦合的激光雷達慣性里程計框架，適用于多傳感器融合和全局優化。

?一種高效的基于局部滑動窗口的掃描匹配方法，通過將有選擇地新關鍵幀配準到固定大小的先前子關鍵幀集，實現實時性能。

?提出的框架通過各種規模、車輛和環境的測試得到驗證。

LIO-SAM的系統結構。該系統接收來自3D激光雷達、IMU和可選GPS的輸入。引入四種因子來構建因子圖：（a）IMU預積分因子，（b）lidar里程計因子，（c）GPS因子，（d）環路閉合因子。

系統概述。系統接收來自3D激光雷達、IMU和GPS的傳感器數據。試圖利用這些傳感器的觀測值來估計機器人的狀態及其軌跡。這種狀態估計問題可以表述為最大后驗概率（MAP）問題。使用因子圖來模擬這個問題，因為它比貝葉斯網絡更適合進行推理。

實驗

本文使用的傳感器套件包括Velodyne VLP16激光雷達、 MicroStrain 3DM-GX5-25IMU和Reach M GPS。收集了5個不同規模、不同平臺和不同環境的數據集。想·x

傳感器安裝平臺

數據集列表

LOAM?和?LIO-SAM建圖的結果

LOAM, LIOM,?和and LIO-SAM建圖結果

總結

提出了LIO-SAM一種通過平滑和地圖實現稠密激光雷達慣性里程表的框架，用于在復雜環境中進行實時狀態估計和地圖構建。LIO-SAM通過在因子圖上建立激光雷達慣性里程儀，特別適合于多傳感器融合。附加傳感器測量可以很容易地作為新的因素納入框架。提供絕對測量的傳感器，如GPS、羅盤或高程值，可用于消除在長時間內積累的激光雷達慣性里程計漂移，或在惡劣環境中累積的激光雷達慣性里程計漂移。位置識別也可以很容易地融入系統，為了提高系統的實時性，提出了一種將舊激光雷達幀邊緣化的滑動窗口方法用于掃描匹配。關鍵幀有選擇地添加到因子圖中，并且當生成lidar里程表和環路閉合因子時，新關鍵幀僅配準到固定大小的子關鍵幀集。這種以本地尺度而不是全局尺度匹配的掃描有助于LIO-SAM框架的實時性能。該方法在三個平臺上收集的數據集上對所提出的方法進行了全面的評估。結果表明，與LOAM和LIOM相比，LIO-SAM具有相似或較好的精度。

資源

三維點云論文及相關應用分享

【點云論文速讀】基于激光雷達的里程計及3D點云地圖中的定位方法

3D目標檢測：MV3D-Net

三維點云分割綜述（上）

3D-MiniNet: 從點云中學習2D表示以實現快速有效的3D LIDAR語義分割（2020）

win下使用QT添加VTK插件實現點云可視化GUI

JSNet：3D點云的聯合實例和語義分割

大場景三維點云的語義分割綜述

PCL中outofcore模塊---基于核外八叉樹的大規模點云的顯示

基于局部凹凸性進行目標分割

基于三維卷積神經網絡的點云標記

點云的超體素(SuperVoxel)

基于超點圖的大規模點云分割

更多文章可查看：點云學習歷史文章大匯總

SLAM及AR相關分享

【開源方案共享】ORB-SLAM3開源啦！

【論文速讀】AVP-SLAM：自動泊車系統中的語義SLAM

【點云論文速讀】StructSLAM:結構化線特征SLAM

SLAM和AR綜述

常用的3D深度相機

AR設備單目視覺慣導SLAM算法綜述與評價

SLAM綜述(4)激光與視覺融合SLAM

Kimera實時重建的語義SLAM系統

SLAM綜述(3)-視覺與慣導，視覺與深度學習SLAM

易擴展的SLAM框架-OpenVSLAM

高翔：非結構化道路激光SLAM中的挑戰

SLAM綜述之Lidar SLAM

基于魚眼相機的SLAM方法介紹

往期線上分享錄播匯總

第一期B站錄播之三維模型檢索技術

第二期B站錄播之深度學習在3D場景中的應用

第三期B站錄播之CMake進階學習

第四期B站錄播之點云物體及六自由度姿態估計

第五期B站錄播之點云深度學習語義分割拓展

第六期B站錄播之Pointnetlk解讀

[線上分享錄播]點云配準概述及其在激光SLAM中的應用

[線上分享錄播]cloudcompare插件開發

[線上分享錄播]基于點云數據的?Mesh重建與處理

[線上分享錄播]機器人力反饋遙操作技術及機器人視覺分享

[線上分享錄播]地面點云配準與機載點云航帶平差

點云PCL更多活動請查看：點云PCL活動之應屆生校招群

掃描下方微信視頻號二維碼可查看最新研究成果及相關開源方案的演示：

如果你對本文感興趣，請點擊“原文閱讀”獲取知識星球二維碼，務必按照“姓名+學校/公司+研究方向”備注加入免費知識星球，免費下載pdf文檔，和更多熱愛分享的小伙伴一起交流吧！

以上內容如有錯誤請留言評論，歡迎指正交流。如有侵權，請聯系刪除

掃描二維碼

? ? ? ? ? ? ? ? ? ?關注我們

讓我們一起分享一起學習吧！期待有想法，樂于分享的小伙伴加入免費星球注入愛分享的新鮮活力。分享的主題包含但不限于三維視覺，點云，高精地圖，自動駕駛，以及機器人等相關的領域。

分享及合作方式：群主微信“920177957”（需要按要求備注） 聯系郵箱：dianyunpcl@163.com，歡迎企業來聯系公眾號展開合作。

點一下“在看”你會更好看耶

總結

以上是生活随笔為你收集整理的LIO-SAM: 紧耦合的激光与惯导里程计方案的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。