《智能驾驶之激光雷达算法详解》12、激光雷达 +IMU组合定位
<div> 激光里程计算法,仅凭激光点云估算激光雷达的运动状态,其精度显著受激光点云质量波动影响。IMU(惯性测量单元),作为广泛应用于机器人及汽车领域的传感器,集成了陀螺仪与加速度计,能精确捕捉并输出被测物体的角速度与加速度信息,进而通过积分运算推算出其在一定时间内的姿态与位置变化。然而,IMU在实际运作中易受多种干扰因素影响,尤其是加速度计的误差会随时间累积,导致导航精度下降。因此,常需借助外部信息融合策略,以强化IMU的定位精度。鉴于激光里程计依赖低频的环境感知进行定位,而IMU则通过高频的自身运动状态积分进行位姿估计,两者在功能上存在天然的互补性。众多学者因此致力于将激光里程计与IMU相结合,以实现高精度、实时性的定位。根据融合方式与原理的不同,这一领域的研究被细化为LiDAR+IMU松耦合与紧耦合两大方向。</div><div> 激光雷达与IMU的松耦合定位策略,巧妙融合了激光里程计与IMU航位推算技术。两者独立运作,依托卡尔曼滤波、粒子滤波等先进框架,实现精准信息融合,最终精确输出定位结果。2019年,国助科技BXue团队创新性地提出IMU-AHFLO算法,该算法凭借点线特征或点云分布特征匹配的激光里程计,捕捉车辆在两帧点云间的位姿变化,随后,高频IMU数据携手车辆运动学方程,预测上述时刻的位姿变迁,最终,卡尔曼滤波器精准估算车辆新姿态。南昌大学的廖杰华则另辟蹊径,将LOAM算法与自适应粒子滤波技术巧妙结合,专为无人物流小车打造室内定位新方案。而Google的Cartographer算法,更是以分层优化为核心,前端运用无迹卡尔曼滤波器实现2D激光雷达与IMU数据的无缝融合,后端则聚焦于子地图构建与优化,辅以分支定界法,显著加速闭环检测,确保定位系统的高效与精准。</div>
<div> 激光雷达与IMU的紧耦合定位技术,相较于松耦合方式,显著减少了信息损失。这一创新方法将激光雷达与IMU数据融合于同一位姿优化问题中,实现了更为精准的位姿估计。紧耦合定位策略可细化为基于滤波器与平滑优化两大流派。基于滤波器的方法,在状态更新中无缝整合多源传感器数据,如H. Sebastian等先驱者利用自适应扩展卡尔曼滤波器,成功将3D激光雷达与GPS/INS融合,赋能无人小车室外精准导航。然而,滤波器固有的线性化近似与递推机制,随时间推移易累积误差,影响长期定位精度。为克服此局限,香港科技大学机器人与多感知实验室的C. Qin团队在ICRA 2020上隆重推出LINS算法,该算法采用迭代误差状态卡尔曼滤波器,深度融合激光雷达与IMU数据,通过持续校正系统状态误差,实现了车辆实时、高精度的定位与建图,为紧耦合定位技术树立了新的里程碑。</div>
<div style="text-align: center;"></div>
<div> MU-AHFLO 算法:聚焦于LDAR+IMU融合策略中极具代表性的IMU辅助高频LDAOdmery(简称MULAHFLO)算法,深入其量测与融合机制。相较于紧密耦合方案中复杂的IMU预积分与因子图等理论框架,基于EKF的长时耦合模型展现了其简洁性。为深化理解,本节将细致剖析wXur等人在MULAHFLO算法中的公式推导精髓。核心目标是融合IMU与激光雷达数据,以精准捕捉车辆的实时位姿信息。为此,首要任务是明确求解流程中不可或缺的三个坐标系定义,具体构建如图12-1清晰展示。此步骤为数据融合奠定了坚实的理论基础,确保后续处理能够精准无误地跨越不同坐标空间,实现高精度的位姿估计。</div>
<div> IML-AHFLO算法:聚焦于IML-AHFLO算法,深入剖析了IMU与LiDAR如何通过卡尔曼滤波框架实现松耦合定位的精妙机制。鉴于IMU与LiDAR在车辆位置计算上的原理迥异,其失效模式亦不相同,因此,二者的融合策略巧妙地弥补了各自的不足。具体而言,鉴于IMU/轮速计数据的高频特性与激光里程计的低频特性,IML-AHFLO算法巧妙地利用IMU/轮速计数据结合车辆运动状态方程,对车辆位置进行前瞻预测,并借助激光里程计的输出作为观测依据,最终通过卡尔曼更新流程,精准地估算出车辆的后验状态。然而,此松耦合策略虽原理简明且易于实现,但在高效利用IMU与LiDAR数据方面略显不足,且IMU测量误差的累积效应可能削弱算法精度,此时,IMU与LiDAR的紧耦合定位策略便显得尤为重要。</div>
<div> WO-SAM算法:由麻省理工学院T.Shan等人在2020年匠心独运的杰作。LIO-SAM旨在依托因子图优化框架,实现激光雷达、IMU与GPS的实时、稳定且高精度的融合定位,其开源代码已在GitHub上开放共享。为深入理解该算法,我们需先掌握因子图优化与IMU预积分技术的基础理论,随后再逐步揭开LIO-SAM算法的神秘面纱。</div>
<div> 因子图优化:因子图,这一无向概率图的杰出代表,源自Kschischang等人在信道编码领域对Tanner图、Wiberg图等模型的深刻洞察与创新。因子图以其独特的因式分解能力,将复杂系统的全局函数拆解为多个简洁的局部函数乘积,并通过“和-积”算法清晰地勾勒出系统状态变量间的信息传递脉络。在统计推断、译码编码、实时定位等多个领域,因子图均展现出广泛的应用价值。其结构由变量节点与因子节点构成,二者通过无向边紧密相连,共同编织出系统状态的精密网络。在SLAM领域,因子图更是以其独特的优势,助力我们更高效地解析与定位复杂环境。</div>
<p><!--importdoc--></p>
<p>在高效利用IMU与LiDAR数据方面略显不足,且IMU测量误差的累积效应可能削弱算法精度,这是什么原因呢</p>
页:
[1]