FAST-LIO2: 快速直接光達 - 慣性測距
本文提出了一种高效、稳定的激光雷达惯性组合导航算法,它基于迭代扩展卡尔曼滤波,将激光和 IMU 数据进行融合,有效地实现了在快速运动,嘈杂或杂乱环境中的关闭式导航,在大数据处理时具有较低的计算复杂度,并成功测试于室内外的各种场景中,并且非常适合在四轴飞行器等小型计算设备上实施。
Oct, 2020
该研究提出了一种通过平滑和制图实现高精度、实时移动机器人轨迹估计和地图构建的紧密耦合激光雷达惯性测程联合优化的框架方法,其中采用了因子图算法来融合不同来源的相对和绝对测量数据,并使用 IMU 预积分解除激光雷达测程偏差。
Jul, 2020
该论文介绍了一种新的多传感器融合算法:LiDAR 惯性摄像头融合(LIC-Fusion),它可以在线校准所有异步传感器之间的空间和时间,并在 MSCKF 框架内实现稀疏视觉特征观测值和 IMU 读数的多模态传感器融合,实验结果表明,在室内和室外环境下,该算法相对于视觉惯性测量(VIO)和 LiDAR 测量方法具有更高的估计精度和鲁棒性。
Sep, 2019
本文提出了一个计算高效、准确的 LiDAR 基于 SLAM 的通用解决方案,主要采用了非迭代两阶段畸变补偿方法、两个匹配模块,并考虑了局部光滑性进行迭代姿态优化,实验结果表明在自主驾驶和仓库自动引导车的定位上表现均相当好,提供了一个性能和计算成本之间很好的平衡。
Jul, 2021
SR-LIVO 是一种先进的 LIV-SLAM 系统,使用扫描重建来将重建扫描与图像时间戳对齐,从而允许 LIO 模块准确确定所有成像时刻的状态,提高姿态准确性和处理效率。通过两个公共数据集的实验结果表明:1)我们的 SRLIVO 在姿态准确性和时间效率方面优于现有的最先进 LIV-SLAM 系统;2)我们基于 LIO 的姿态估计在几个主流 LIV-SLAM 系统中(包括我们自己的系统)比基于 VIO 的估计更准确。我们已经发布了我们的源代码,以促进该领域的社区发展。
Dec, 2023
该研究论文介绍了一种 LiDAR 里程计系统,能够在不同操作条件下正常运行,并实现与特定领域方法相当的性能。该系统使用基于 PCA 的 kd 树实现的 ICP 范式,用于提取待配准点云的结构信息并计算对齐的最小化度量。通过根据估计的姿态不确定性管理局部地图,将漂移控制在一定范围内。为了使研究社区受益,我们发布了一个开放源代码的 C++ 实现,可实时应用在任何时候。
May, 2024
通过引入一种基于深度学习的实时 LiDAR 测距法,我们可以联合学习准确的帧间对应关系和模型的预测不确定性,从而为定位预测提供安全保护的证据,同时通过部分最优 LiDAR 特征描述符转换和联合学习的方式提高位置估计的鲁棒性,并展示了预测不确定性能如何在需要时作为位置图优化的证据,在 KITTI 数据集上验证了方法的竞争性性能和优越的泛化能力。
Aug, 2023
本研究提出了一种新的实时 LiDAR-only 里程计方法(CT-ICP)和一种新的环路检测程序,结合弹性形变和高频运动鲁棒性,使用 2D 匹配进行纯激光雷达回环检测和构建完整的 SLAM,应用于自动驾驶汽车的定位和感知任务。测试结果表明,相对位移误差(RTE)平均值为 0.59%,每次扫描的平均时间为 60 毫秒,是 KITTI 里程计排行榜上代码公开最优秀的之一。
Sep, 2021
通过连续时间视角探索 LiDAR 单独里程计的能力,我们提出的 Traj-LO 方法通过紧密地结合 LiDAR 点的几何信息和轨迹平滑度的运动约束,恢复了 LiDAR 的时空一致性移动。该方法在不同种类的 LiDAR 以及多 LiDAR 系统中都具有广泛的实验验证,即使在运动状态超出 IMU 测量范围的情况下也展现了鲁棒性和有效性。我们的实现已在 GitHub 上开源。
Sep, 2023
本篇研究介绍了 LOCUS 2.0 立体激光雷达测距导航系统,该系统可以实现在复杂的 GNSS 缺失环境中对机器人进行定位和导航,具有高效可靠、节约计算资源等优点,并且适用于大规模环境下进行实时的地下三维建图。
May, 2022