[论文解读] LINS: A Lidar-Inerital State Estimator for Robust and Fast Navigation

Chao Qin, Haoyang Ye+3 more|arXiv (Cornell University)|Jul 4, 2019

Robotics and Sensor-Based Localization参考文献 28被引用 7

一句话总结

LINS 是一种紧耦合的激光雷达-惯性状态估计算法，采用迭代误差状态扩展卡尔曼滤波器融合三维激光雷达与惯性测量单元（IMU）数据，实现鲁棒且快速的自身运动估计。其在精度上优于纯激光雷达方法，在速度上比当前最先进的激光雷达-惯性融合方法快近十倍。

ABSTRACT

Robust and fast ego-motion estimation is a critical problem for autonomous robots. With high reliability and precision, 3D-lidar-based simultaneous localization and mapping (SLAM) has been widely used in the robotics community to solve this problem. However, the lidar alone is not enough to provide full autonomy to robot navigation in terms of robustness and operating scope, especially in feature-less scenes. In this paper, we present LINS: a lidar-inertial state estimator for robust and fast navigation. Our approach tightly couples the 3D lidar and the inertial measurement unit (IMU) by an iterative error-state Kalman filter (IESKF). To validate generalizability and long-time practicability, extensive experiments are performed in a variety of scenarios including the city, port, forest, and parking lot. The results indicate that LINS outperforms the lidar-only methods in terms of accuracy and it is faster than the state-of-the-art lidar-inertial fusion methods in nearly an order of magnitude.

研究动机与目标

• 通过集成惯性测量数据，解决纯激光雷达 SLAM 在无特征环境中的局限性。
• 提升自主机器人导航的鲁棒性与适用范围，超越纯激光雷达所能实现的边界。
• 开发一种具备实时处理能力的状态估计算法，可在长时间运行及复杂场景中保持高精度。
• 在保持或提升精度的同时，显著提升现有激光雷达-惯性融合方法的处理速度。

提出的方法

• LINS 采用迭代误差状态扩展卡尔曼滤波器（IESKF）紧密耦合三维激光雷达与惯性测量单元（IMU）数据。
• IESKF 通过创新反馈迭代校正状态估计，提升非线性误差动态下的收敛性与精度。
• 激光雷达测量通过扫描匹配到地图的方式校正状态估计，而 IMU 数据则提供高频死推算。
• 估计算法维护一个完整的三维状态向量，包含位置、速度、姿态以及激光雷达与 IMU 的偏差。
• 融合框架设计为计算高效，可在标准硬件上实现实时性能。
• IESKF 中的迭代优化可降低线性化误差，提升在动态或低特征环境中的鲁棒性。

实验结果

研究问题

• RQ1 通过迭代误差状态扩展卡尔曼滤波器实现激光雷达与 IMU 的紧耦合，是否能显著提升在低特征环境中的导航鲁棒性？
• RQ2 在多样化的真实场景中，LINS 与纯激光雷达 SLAM 方法相比，在精度与速度方面表现如何？
• RQ3 与标准 ESKF 方法相比，IESKF 中的迭代优化在多大程度上提升了估计精度？
• RQ4 LINS 是否能在长时间运行及复杂环境（如森林与港口）中保持高性能？
• RQ5 与当前最先进的激光雷达-惯性融合方法相比，LINS 的计算效率如何？

主要发现

• 在所有测试环境（包括城市、港口、森林和停车场）中，LINS 的精度均高于纯激光雷达 SLAM 方法。
• 该方法在无特征场景中表现出显著鲁棒性，而纯激光雷达方法常在此类场景中失效。
• LINS 的运行速度比当前最先进的激光雷达-惯性融合方法快近一个数量级，支持实时部署。
• 与非迭代方法相比，迭代误差状态扩展卡尔曼滤波器显著提升了收敛性并降低了估计误差。
• 大量实验验证了 LINS 在多样化且具有挑战性的环境中的泛化能力与长期实用性。
• 通过 IESKF 融合激光雷达与 IMU 数据，即使在高动态条件下，也能获得稳定且精确的状态估计。