[论文解读] LiDAR and Inertial Fusion for Pose Estimation by Non-linear Optimization

Haoyang Ye, Ming Liu|arXiv (Cornell University)|Oct 19, 2017

Robotics and Sensor-Based Localization参考文献 12被引用 5

一句话总结

本文提出了一种非线性优化框架，通过融合3D旋转式LiDAR与IMU数据，在点云稀疏或部分遮挡等挑战性条件下提升自运动估计性能。通过预积分IMU测量并联合优化LiDAR与IMU状态，该方法在稀疏点云或部分遮挡环境（如狭窄走廊或半遮挡扫描）中，相比仅使用LiDAR的方法，实现了更精确且更鲁棒的位姿估计。

ABSTRACT

Pose estimation purely based on 3D point-cloud could suffer from degradation, e.g. scan blocks or scans in repetitive environments. To deal with this problem, we propose an approach for fusing 3D spinning LiDAR and IMU to estimate the ego-motion of the sensor body. The main idea of our work is to optimize the poses and states of two kinds of sensors with non-linear optimization methods. On the one hand, a bunch of IMU measurements are considered as a relative constraint using pre-integration and the state errors can be minimized with the help of laser pose estimation and non-linear optimization algorithms; on the other hand, the optimized IMU pose outputs can provide a better initial for the subsequent point-cloud matching. The method is evaluated under both simulation and real tests with comparison to the state-of-the-art. The results show that the proposed method can provide better pose estimation performance even in the degradation cases.

研究动机与目标

• 为解决在点云稀疏或被遮挡的环境中（如狭窄走廊或重复性结构）仅使用LiDAR的位姿估计性能下降的问题。
• 通过利用高采样率IMU测量作为初始化先验，提升3D点云匹配的精度与鲁棒性。
• 采用非线性优化联合优化LiDAR与IMU状态，以最小化自运动估计中的累积误差。
• 在存在部分LiDAR扫描与动态运动的真实场景中，验证传感器融合的有效性。

提出的方法

• 采用IMU测量的预积分方法来建模连续IMU状态间的相对运动，降低计算成本并提高数值稳定性。
• 构建非线性优化框架，联合估计LiDAR位姿与IMU状态，最小化两种传感器模态的误差。
• 优化后的IMU位姿为后续点云配准提供了更精确的初始估计，从而在观测不足的场景中减少匹配误差。
• 采用基于位姿图的优化方法，以保持长时间内的状态估计一致性，提升对临时传感器退化情况的鲁棒性。
• 利用优化后的IMU轨迹作为先验，执行激光扫描匹配，提升点云对齐的收敛性并减少漂移。
• 考虑将传感器运动引起的畸变校正作为潜在扩展，利用快速IMU基位姿估计校正LiDAR扫描中的运动伪影。

实验结果

研究问题

• RQ1 IMU数据能否提升在点云稀疏或部分遮挡环境中基于LiDAR的位姿估计的鲁棒性？
• RQ2 与仅使用LiDAR的方法相比，融合LiDAR与IMU测量的非线性优化在减少漂移与匹配误差方面效果如何？
• RQ3 预积分IMU数据在多大程度上提升了点云匹配算法的初始化质量？
• RQ4 所提出的融合框架在真实世界退化条件（如狭窄走廊或半扫描环境）下的表现如何？

主要发现

• 所提方法在仿真与真实世界测试中均显著优于LOAM及仅使用LiDAR的变体，尤其在点云观测受限的退化场景中表现突出。
• 在室内狭窄走廊测试中，该方法生成的轨迹比LOAM及非IMU辅助版本更笔直，表明其运动估计精度更高。
• 在室外半遮挡LiDAR扫描测试中，该方法成功避免了LOAM及非IMU辅助方法中出现的大范围错配，地图中白线扫描对齐保持一致，证明了其有效性。
• 当点云匹配因几何约束不足而失败时，IMU辅助方法仍能维持稳定且准确的位姿估计。
• 优化框架有效降低了随时间累积的平移与旋转误差，图4右列显示的误差水平显著低于左列（无IMU融合）。
• 系统在动态运动与环境退化条件下表现出鲁棒性，性能稳定，而仅使用LiDAR的方法则出现失效。