Apr, 2024

紧耦合的激光雷达 - 惯性导航系统 - 轮式测距仪，用于滑移转向机器人的运动模型在线标定

PDF
TL;DR针对隧道和长走廊等具有挑战性的环境中的移动机器人，本研究提出一种与在线校准相结合的 LiDAR-IMU-wheel 测距法算法，针对滑动转向机器人进行研究，旨在解决点云退化的问题。通过在线校准和不断变化的运动模型，该方法能够在退化环境下实现准确的定位，并通过在线不确定性估计实现合理约束。
发现论文，激发创造
  • 基于注意力神经网络的移动机器人轮式里程校正在线学习

    本文提出了一种基于在线学习和神经网络的轮式编码器校正方法，以提高机器人的定位系统的准确性。与传统的神经网络和滤波器校正算法相比，该方法表现出明显的技术优势，并且不需要耗时的数据收集过程。

    Mar, 2023

  • 基于紧密融合的视觉惯性里程计与单轨地面车辆动力学建模的在线校准

    本文提出了 ST-VIO，一种将单轨道动力学模型与视觉惯性测距紧密融合的新方法，可以对轮式地面车辆的运动进行估计，并根据未来的控制输入进行准确的前向预测。通过在线校准和调整动力学模型，该方法在室内外不同环境中使用真实数据进行了验证，证明了 ST-VIO 可以适应环境的变化并实现准确的预测，甚至可以提升追踪精度。

    Sep, 2023

  • 基于几何特征的紧耦合激光雷达 - 视觉 SLAM 移动代理方案

    本研究针对移动机器人在动态和复杂环境下自主导航和任务执行的困难，提出了一种基于 LiDAR 和单目视觉 SLAM 的紧耦合几何特征融合框架方法，是当前多模态方法中姿态估计更为精确和健壮的。

    Jul, 2023

  • 机器人应用中 LiDAR 自监督学习测距法

    提出了一种多用途的自监督 LiDAR 里程计估计方法，该方法在训练期间有选择地应用几何损失，无需任何标签或地面数据，适用于精度难以获得的应用中的姿态估计。

    Nov, 2020

  • MAD-ICP：数据匹配的关键 -- 稳健且信息丰富的 LiDAR 里程计

    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

  • LIC-Fusion: LiDAR 惯性相机里程计

    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

  • LIO-SAM: 利用平滑和映射实现紧耦合的激光惯性里程计

    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

  • 可视惯性单目 SLAM 及地图复用

    本文介绍了一种新的紧密耦合的视觉惯性同时定位和建图系统，采用惯性测量单元进行初始测量，实现了零漂移定位，带有地图重用功能，并应用于单目相机的最一般问题。在微型飞行器公共数据集的 11 个序列中测试了该系统，证明了其比目前最先进的视觉惯性测量方法更为准确。

    Oct, 2016

  • TLIO：紧密学习的惯性测距

    本文提出了一种紧密耦合的扩展卡尔曼滤波器框架，使用训练有素的神经网络来回归三维位移估计和其不确定性，进而在滤波器中实现测量更新步骤，从而解决姿态、速度和传感器偏差问题。与速度积分和 AHRS 姿态滤波器方法相比，本文的系统在位置和姿态估计方面表现更好，且该网络可用于步行者数据的统计一致的测量和不确定性。

    Jul, 2020

  • 鱼眼相机和激光雷达连续在线外部标定

    所提出的算法通过使用常用的单目深度估计网络和激光雷达点云的几何距离之间的互信息作为外在校准的优化度量来不断自动更新车辆寿命周期内相机 - 激光雷达校准值，而无需校准目标、地面真实训练数据和昂贵的离线优化。

    Jun, 2023