[论文解读] R-LINS: A Robocentric Lidar-Inertial State Estimator for Robust and Efficient Navigation

Chao Qin, Haoyang Ye+4 more|arXiv (Cornell University)|Aug 22, 2019

Robotics and Sensor-Based Localization被引用 7

一句话总结

R-LINS 提出了一种基于6轴IMU和3D激光雷达的机器人中心、紧密耦合的激光惯性状态估计算法，采用迭代误差状态扩展卡尔曼滤波（ESKF）以迭代方式优化特征匹配。通过在移动局部坐标系中重新表述状态估计，该方法将计算成本降低并防止滤波发散，从而在复杂环境下实现鲁棒且实时的性能，相比最先进LIO方法提速近10倍。

ABSTRACT

We present R-LINS, a lightweight robocentric lidar-inertial state estimator, which estimates robot ego-motion using a 6-axis IMU and a 3D lidar in a tightly-coupled scheme. To achieve robustness and computational efficiency even in challenging environments, an iterated error-state Kalman filter (ESKF) is designed, which recursively corrects the state via repeatedly generating new corresponding feature pairs. Moreover, a novel robocentric formulation is adopted in which we reformulate the state estimator concerning a moving local frame, rather than a fixed global frame as in the standard world-centric lidar-inertial odometry(LIO), in order to prevent filter divergence and lower computational cost. To validate generalizability and long-time practicability, extensive experiments are performed in indoor and outdoor scenarios. The results indicate that R-LINS outperforms lidar-only and loosely-coupled algorithms, and achieve competitive performance as the state-of-the-art LIO with close to an order-of-magnitude improvement in terms of speed.

研究动机与目标

• 解决在复杂条件下传统世界中心激光惯性里程计（LIO）存在的滤波发散与高计算成本问题。
• 通过在移动局部坐标系中重新表述状态估计，提升长期导航中的鲁棒性与效率。
• 在保持与最先进LIO系统相当的精度的同时，实现接近实时的性能并降低计算负载。
• 在多样化的室内外环境中验证方法的泛化能力。

提出的方法

• 通过将状态估计算法相对于移动局部坐标系而非固定全局坐标系进行定义，采用机器人中心的表述方式。
• 采用迭代误差状态扩展卡尔曼滤波（ESKF），通过在每次迭代中生成新的特征匹配来递归校正状态。
• 通过紧密耦合3D激光雷达与6轴IMU测量数据，提升估计精度。
• 在局部坐标系中应用基于特征的匹配生成与误差校正，以增强对噪声和动态环境的鲁棒性。
• 采用轻量化设计，在保持高精度的同时降低计算成本。
• 重新表述状态传播与校正步骤，以最小化在复杂场景下的漂移与发散。

实验结果

研究问题

• RQ1 与世界中心方法相比，机器人中心表述是否能提升激光惯性状态估计的鲁棒性与效率？
• RQ2 在动态或特征稀疏环境中，迭代误差状态扩展卡尔曼滤波如何提升状态估计精度？
• RQ3 移动局部坐标系在多大程度上降低了计算成本并防止了滤波发散？
• RQ4 所提出的方法是否能在与最先进LIO系统相当的精度下实现实时性能？
• RQ5 该方法在多样化的室内外导航场景中具有多大程度的泛化能力？

主要发现

• 在多样化环境中，R-LINS在估计精度与鲁棒性方面优于仅使用激光雷达和松耦合算法的方法。
• 该方法在计算成本降低近一个数量级的同时，实现了与最先进LIO系统相当的性能。
• 机器人中心表述显著降低了滤波发散的风险，尤其是在长期导航中。
• 通过多次校正迭代不断优化特征匹配，迭代ESKF显著提升了收敛性与精度。
• 大量实验验证了该方法在室内外场景中的泛化能力与长期实用性。
• 系统展现出实时性能，相比现有高端LIO解决方案提速近10倍。