Abstract

紧耦合lidar inertial里程计, 用smoothing和mapping.

1. Introduction

紧耦合lidar-inertial里程计.

  • 紧耦合的lidar inertial里程计框架

2. Related work

一般都是用ICP或者是GICP.

在LOAM[1], IMU被引入来de-skew lidar scan, 然后给移动一个先验做scan-匹配.

在[15], 预积分IMU测量被用来 de-skew 点云.

一个robocentric lidar-inertial 状态估计器, R-LINS[16] , 用error-state KF.


LIOM只能 0.6 倍实时

3. LiDAR Inertial Odometry via SAM

A. System Overview

状态是:

\[\mathbf{x}=\left[\mathbf{R}^{\mathbf{T}}, \mathbf{p}^{\mathbf{T}}, \mathbf{v}^{\mathbf{T}}, \mathbf{b}^{\mathbf{T}}\right]^{\mathbf{T}}
\]

B. IMU Preintegration Factor

角速度, 加速度的测量:

\[\begin{array}{l}
\hat{\boldsymbol{\omega}}_{t}=\boldsymbol{\omega}_{t}+\mathbf{b}_{t}^{\boldsymbol{\omega}}+\mathbf{n}_{t}^{\boldsymbol{\omega}} \\
\hat{\mathbf{a}}_{t}=\mathbf{R}_{t}^{\mathbf{B W}}\left(\mathbf{a}_{t}-\mathbf{g}\right)+\mathbf{b}_{t}^{\mathbf{a}}+\mathbf{n}_{t}^{\mathbf{a}},
\end{array}
\]

这里 \(\hat{\omega}_t\) 和 \(\hat{a}_t\) 是 raw 测量在 \(B\) 系.

速度, 位置和旋转在 \(t+\Delta t\)时刻如下:

\[\begin{aligned}
\mathbf{v}_{t+\Delta t}=\mathbf{v}_{t}+\mathbf{g} \Delta t+\mathbf{R}_{t}\left(\hat{\mathbf{a}}_{t}-\mathbf{b}_{t}^{\mathbf{a}}-\mathbf{n}_{t}^{\mathbf{a}}\right) \Delta t \\
\mathbf{p}_{t+\Delta t}=\mathbf{p}_{t}+\mathbf{v}_{t} \Delta t+\frac{1}{2} \mathbf{g} \Delta t^{2} \\
&+\frac{1}{2} \mathbf{R}_{t}\left(\hat{\mathbf{a}}_{t}-\mathbf{b}_{t}^{\mathbf{a}}-\mathbf{n}_{t}^{\mathbf{a}}\right) \Delta t^{2} \\
\mathbf{R}_{t+\Delta t}=\mathbf{R}_{t} \exp \left(\left(\hat{\boldsymbol{\omega}}_{t}-\mathbf{b}_{t}^{\omega}-\mathbf{n}_{t}^{\omega}\right) \Delta t\right)
\end{aligned}
\]

这里 \(R_t = R_t^{WB} = R_t^{{BW}^T}\). 这里我们假设 角速度 和 加速度 的\(B\) 保持不变.

C. LiDAR Odometry Factor

当一个新的scan到达时, 我们先做特征提取. Edge / planar 特征被提取来估计局部点的roughness. 有大的 roughness值的实被分类为edge, 值小的就是planar特征.

1. Sub-keyframes for voxel map

2. Scan-matching

3. Relative transform

edge点和平面点对应如下:

\[\begin{array}{r}
\mathbf{d}_{e_{k}}=\frac{\left|\left(\mathbf{p}_{i+1, k}^{e}-\mathbf{p}_{i, u}^{e}\right) \times\left(\mathbf{p}_{i+1, k}^{e}-\mathbf{p}_{i, v}^{e}\right)\right|}{\left|\mathbf{p}_{i, u}^{e}-\mathbf{p}_{i, v}^{e}\right|} \\
\mathbf{d}_{p_{k}}=\frac{\left(\mathbf{p}_{i, u}^{p}-\mathbf{p}_{i, v}^{p}\right) \times\left(\mathbf{p}_{i, u}^{p}-\mathbf{p}_{i, w}^{p}\right) \mid}{\left|\left(\mathbf{p}_{i, u}^{p}-\mathbf{p}_{i, v}^{p}\right) \times\left(\mathbf{p}_{i, u}^{p}-\mathbf{p}_{i, w}^{p}\right)\right|}
\end{array}
\]

D. GPS Factor

当收到GPS测量的时候, 我会先转换到局部笛卡尔坐标系.

一般我们只有在估计的位置协方差大于接受的GPS位置协方差的时候才加入 GPS factor.

E. Loop Closure Factor

...

4. Experiments

我们比较了LIO-SAM, LOAM和LIOM. LIO-SAM和LOAM是专注在实时的输出, 而LIOM是有无限的时间处理的.

A. Rotation Dataset

遇到的最大的旋转速度是 133.7°/s.

B. Walking Dataset

LIOM只跑了0.56x的实时.

C. Campus Dataset

D. Park Dataset

...

E. Amsterdam Dataset

....

F. Benchmarking Results

...

5. Conclusions and Discussion

没啥.

论文阅读LR LIO-SAM的更多相关文章

  1. 论文阅读 | FoveaBox: Beyond Anchor-based Object Detector

    论文阅读——FoveaBox: Beyond Anchor-based Object Detector 概述 这是一篇ArXiv 2019的文章,作者提出了一种新的anchor-free的目标检测框架 ...

  2. [论文阅读]阿里DIN深度兴趣网络之总体解读

    [论文阅读]阿里DIN深度兴趣网络之总体解读 目录 [论文阅读]阿里DIN深度兴趣网络之总体解读 0x00 摘要 0x01 论文概要 1.1 概括 1.2 文章信息 1.3 核心观点 1.4 名词解释 ...

  3. 论文阅读(Xiang Bai——【PAMI2017】An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application to Scene Text Recognition)

    白翔的CRNN论文阅读 1.  论文题目 Xiang Bai--[PAMI2017]An End-to-End Trainable Neural Network for Image-based Seq ...

  4. BITED数学建模七日谈之三:怎样进行论文阅读

    前两天,我和大家谈了如何阅读教材和备战数模比赛应该积累的内容,本文进入到数学建模七日谈第三天:怎样进行论文阅读. 大家也许看过大量的数学模型的书籍,学过很多相关的课程,但是若没有真刀真枪地看过论文,进 ...

  5. 论文阅读笔记 - YARN : Architecture of Next Generation Apache Hadoop MapReduceFramework

    作者:刘旭晖 Raymond 转载请注明出处 Email:colorant at 163.com BLOG:http://blog.csdn.net/colorant/ 更多论文阅读笔记 http:/ ...

  6. 论文阅读笔记 - Mesos: A Platform for Fine-Grained ResourceSharing in the Data Center

    作者:刘旭晖 Raymond 转载请注明出处 Email:colorant at 163.com BLOG:http://blog.csdn.net/colorant/ 更多论文阅读笔记 http:/ ...

  7. Deep Reinforcement Learning for Dialogue Generation 论文阅读

    本文来自李纪为博士的论文 Deep Reinforcement Learning for Dialogue Generation. 1,概述 当前在闲聊机器人中的主要技术框架都是seq2seq模型.但 ...

  8. 论文阅读笔记 Word Embeddings A Survey

    论文阅读笔记 Word Embeddings A Survey 收获 Word Embedding 的定义 dense, distributed, fixed-length word vectors, ...

  9. 论文阅读笔记六:FCN:Fully Convolutional Networks for Semantic Segmentation(CVPR2015)

    今天来看一看一个比较经典的语义分割网络,那就是FCN,全称如题,原英文论文网址:https://people.eecs.berkeley.edu/~jonlong/long_shelhamer_fcn ...

随机推荐

  1. PyQt(Python+Qt)学习随笔:QHeaderView.ResizeMode取值及含义

    老猿Python博文目录 专栏:使用PyQt开发图形界面Python应用 老猿Python博客地址 关于ResizeMode的使用请参考<PyQt(Python+Qt)学习随笔:QTableWi ...

  2. PyQt(Python+Qt)学习随笔:Qt Designer中Action创建的方法

    在Qt Designer中,可以两种方法创建Action对象,一种是菜单定义时,一种是单独定义. 一.定义菜单创建Action 在Qt Designer中创建菜单时,如果对应菜单是最终执行的菜单项,则 ...

  3. 函数与函数式编程(生成器 && 列表解析 && map函数 && filter函数)-(四)

    在学习python的过程中,无意中看到了函数式编程.在了解的过程中,明白了函数与函数式的区别,函数式编程的几种方式. 函数定义:函数是逻辑结构化和过程化的一种编程方法. 过程定义:过程就是简单特殊没有 ...

  4. 【NOI2019】弹跳(KDT优化建图)

    Description 平面上有 \(n\) 个点,分布在 \(w \times h\) 的网格上.有 \(m\) 个弹跳装置,由一个六元组描述.第 \(i\) 个装置有参数:\((p_i, t_i, ...

  5. 01_02_py

    1基础知识 1.自然语言 (natural language) 是人们交流所使用的语言,例如英语.西班牙语和法语.它们不是人为设计出来的(尽管有人试图这样做):而是自然演变而来. 2.形式语言 (fo ...

  6. 题解-CF643G Choosing Ads

    CF643G Choosing Ads \(n\) 和 \(m\) 和 \(p\) 和序列 \(a_i(1\le i\le n)\).\(m\) 种如下操作: 1 l r id 令 \(i\in[l, ...

  7. 深入理解Java虚拟机(一)——JVM内存模型

    文章目录 程序计数器 定义 作用 特点 Java虚拟机栈 定义 特点 本地方法栈 定义 Java堆 定义 特点 方法区 定义 特点 运行常量池 直接内存 总结 Java虚拟机的内存空间分为五个部分: ...

  8. 移动端和PC端区分

    1.移动端包括:浏览器.ios/android.qq端.微信端 九度数据官网源码.修改,要跳转的链接即可. function browserRedirect() { var sUserAgent = ...

  9. vue2中$emit $on $off实现组件之间的联动,绝对有你想了解的

    在vue2开发中,你肯定会遇到组件之间联动的问题,现在我们就来说说哪个神奇的指令可以满足我们的需求. 一.先上实例: 需求:点击A组件或者B组件可以使C组件的名称相应发生改变,同样,点击A组件也会使对 ...

  10. 在Qt中配置海康工业相机SDK及遇到的问题(报错)

    1.在项目的.pro文件里导入海康工业相机的SDK路径 INCLUDEPATH += \ D:\HKVersion\MVS_3.1.0\MVS\Development\Includes #这时到入Op ...