[论文解读] IN2LAAMA: INertial Lidar Localisation Autocalibration And MApping

Cédric Le Gentil, Teresa Vidal‐Calleja+1 more|arXiv (Cornell University)|May 23, 2019

Advanced Vision and Imaging被引用 7

一句话总结

IN2LAAMA 提出了一种用于3D激光雷达-惯性同时定位、建图与外部参数标定的离线概率框架，采用3D激光雷达和6-DoF IMU。通过高斯过程插值对预积分惯性测量进行上采样，校正运动畸变，利用带回环检测的批量优化实现精确的扫描匹配与状态估计，在真实世界地图中实现了低于30mm的点到平面误差。

ABSTRACT

In this paper, we present INertial Lidar Localisation Autocalibration And MApping (IN2LAAMA): an offline probabilistic framework for localisation, mapping, and extrinsic calibration based on a 3D-lidar and a 6-DoF-IMU. Most of today's lidars collect geometric information about the surrounding environment by sweeping lasers across their field of view. Consequently, 3D-points in one lidar scan are acquired at different timestamps. If the sensor trajectory is not accurately known, the scans are affected by the phenomenon known as motion distortion. The proposed method leverages preintegration with a continuous representation of the inertial measurements to characterise the system's motion at any point in time. It enables precise correction of the motion distortion without relying on any explicit motion model. The system's pose, velocity, biases, and time-shift are estimated via a full batch optimisation that includes automatically generated loop-closure constraints. The autocalibration and the registration of lidar data rely on planar and edge features matched across pairs of scans. The performance of the framework is validated through simulated and real-data experiments.

研究动机与目标

• 在不依赖显式运动模型的前提下，解决3D激光雷达扫描在扫面积分过程中因传感器运动引起的运动畸变问题。
• 在同时定位与建图过程中，实现3D激光雷达与6-DoF IMU之间无需标定目标的高精度外部参数标定。
• 通过完整的批量优化框架整合惯性测量作为约束，提升建图精度。
• 通过基于更新状态估计的特征迭代优化，解决特征提取与轨迹估计之间的鸡肋问题。
• 利用平面与边缘特征，在多样化环境中实现高精度3D建图，具备鲁棒的数据关联与回环约束能力。

提出的方法

• 采用基于连续高斯过程插值的IMU测量预积分方法，生成上采样预积分测量（UPMs），实现在激光雷达扫描期间任意时刻的运动表征。
• 构建包含激光雷达因子（点到平面、点到线）和惯性因子（帧间UPMs）的因子图，联合优化位姿、速度、偏差与时间偏移。
• 执行完整的批量流形优化，集成自动生成的回环约束，以提升全局一致性。
• 基于最新状态估计，迭代重新计算前端的几何特征（平面与边缘），以解决特征质量与轨迹精度之间的相互依赖问题。
• 基于回归误差阈值与遮挡检测，对特征候选进行拒绝算法处理，以增强特征匹配的鲁棒性。
• 利用UPM与初始位姿和速度条件无关的特性，确保优化过程的数值稳定性。

实验结果

研究问题

• RQ1 在不假设特定运动模型的前提下，能否有效校正3D激光雷达扫描中的运动畸变？
• RQ2 在无标定目标的设置下，如何实现3D激光雷达与6-DoF IMU在同时定位与建图过程中的外部参数标定？
• RQ3 在动态或复杂环境中，整合惯性因子在多大程度上提升了激光雷达-惯性SLAM的精度与鲁棒性？
• RQ4 基于更新状态估计的几何特征迭代优化，对整体建图精度有何影响？
• RQ5 IMU数据建模不佳对所提框架性能有何影响？

主要发现

• IN2LAAMA 在真实世界3D地图中实现了平均27 mm的点到平面距离，显著优于同一环境中链式标定方法的58 mm。
• 该方法在多样化的真实世界与仿真环境中，相较于最先进激光雷达SLAM算法表现出更优性能。
• 优化过程中引入惯性因子显著提升了鲁棒性，尤其在高度动态运动场景中。
• 该框架成功实现了无标定目标的外部参数标定，无需外部标定目标即可实现激光雷达与IMU的精确对齐。
• 迭代特征重新计算过程提升了特征匹配的可靠性，有助于改善地图一致性与几何精度。
• 该方法计算开销较大，无法实现实时处理，但为未来通过滑动窗口优化或GPU加速实现实时化提供了强有力的基线。