[论文解读] LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping

Tixiao Shan, Brendan Englot+4 more|arXiv (Cornell University)|Jul 1, 2020

Robotics and Sensor-Based Localization参考文献 24被引用 99

一句话总结

LIO-SAM 在一个因子图上构建了一个紧耦合的激光雷达–惯性测量单元框架，用于实时轨迹估计与建图，结合回环检测并可选 GPS 进行漂移纠正。

ABSTRACT

We propose a framework for tightly-coupled lidar inertial odometry via smoothing and mapping, LIO-SAM, that achieves highly accurate, real-time mobile robot trajectory estimation and map-building. LIO-SAM formulates lidar-inertial odometry atop a factor graph, allowing a multitude of relative and absolute measurements, including loop closures, to be incorporated from different sources as factors into the system. The estimated motion from inertial measurement unit (IMU) pre-integration de-skews point clouds and produces an initial guess for lidar odometry optimization. The obtained lidar odometry solution is used to estimate the bias of the IMU. To ensure high performance in real-time, we marginalize old lidar scans for pose optimization, rather than matching lidar scans to a global map. Scan-matching at a local scale instead of a global scale significantly improves the real-time performance of the system, as does the selective introduction of keyframes, and an efficient sliding window approach that registers a new keyframe to a fixed-size set of prior ``sub-keyframes.'' The proposed method is extensively evaluated on datasets gathered from three platforms over various scales and environments.

研究动机与目标

• 解决实时移动机器人 SLAM 中激光雷达里程计的漂移和精度限制。
• 在单一因子图框架中实现 LiDAR、IMU 和绝对传感器（如 GPS）的紧耦合融合。
• 通过局部扫描匹配、选择性关键帧和滑动窗口方法实现实时性能。
• 支持回环闭合与位点识别，以纠正长期漂移并在多样环境中实现建图。
• 在多个平台和数据集上验证该方法，以证明鲁棒性和可扩展性。

提出的方法

• 在因子图上将激光雷达—惯性里程计公式化，包含 IMU 预积分、激光雷达里程计、GPS 和回环闭合因子。
• 使用 IMU 预积分来去畸变激光扫描并为激光雷达里程计优化提供初始运动猜测，同时联合估计 IMU 偏置。
• 采用局部基于地图的扫描匹配方法，在滑动窗口内使用一组固定大小的子关键帧，以实现实时性能。
• 从最近的关键帧构建两类体素地图，以支持边缘和平面特征匹配。
• 在可用时加入 GPS 和回环闭合因子，以减少漂移并提高全局一致性。
• 在全局轨迹-因子图上使用基于 Bayes 树的增量优化（iSAM2），并对旧的激光雷达扫描进行边缘化以维持实时性能。

实验结果

研究问题

• RQ1 基于因子图构建的紧耦合激光雷达–惯性系统是否能在多样环境中实现实时、低漂移的轨迹估计与建图？
• RQ2 与密集全局方法相比，局部（非全局）扫描匹配、关键帧策略和边缘化如何影响实时性能与精度？
• RQ3 添加绝对测量（GPS）和回环闭合对漂移纠正和地图一致性有什么影响？
• RQ4 在具有挑战性的运动下，LIO-SAM 在精度和运行时间方面与 LOAM 和 LIOM 相比如何？

主要发现

• LIO-SAM 在多个数据集上实现实时性能，并且每次扫描的运行时间显著低于 LOAM 和 LIOM。
• 在某些情况下，即使没有 GPS，该方法生成的地图也与外部参考（如 Google Earth）保持一致。
• LIO-SAM 在强烈旋转和平移下仍然鲁棒，在若干场景中优于 LOAM 和 LIOM。
• GPS 与回环闭合因子有效降低漂移；在 GPS 无法单独闭合回路时，LIO-SAM 仍能闭合回路，提升全球一致性。
• 该系统具有较高吞吐量（在实时数据的13倍压力测试下仍保持精度和实时运行）。