【LIO-SAM论文全文翻译】：LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping

这篇论文提出了一种名为LIO-SAM（激光雷达与IMU的紧耦合自适应优化）的框架，旨在解决移动机器人状态估计和建图中的关键挑战。以下是总结：1. 核心方法： - LIO-SAM结合了激光雷达（LiDAR）、IMU（惯性测量单元）和其他传感器数据（如GPS），构建了一个基于因子图的紧耦合框架。 - 通过预积分IMU数据消除运动估计误差，并利用激光雷达提取特征点进行扫描匹配。 - 引入关键帧策略以减少计算量，并通过滑窗方法优化扫描匹配过程。2. 主要贡献： - 提出了一个高效的因子图构建方法，将激光雷达、IMU和GPS等多传感器数据融合。 - 通过回环检测方法（如欧拉距离）实现闭环轨迹闭合。 - 在复杂环境中实现了更高的精度和实时性。3. 实验结果： - 在麻省理工学院校园、公园等不同场景中进行了测试。 - 相比LOAM和LIOM，在鲁棒性和精度上表现更优。 - 特别是在缺乏绝对测量值的情况下，LIO-SAM仍能有效校正漂移并完成建图。4. 创新点： - 采用了滑窗优化策略加速扫描匹配。 - 关键帧策略显著降低了计算开销。 - 引入回环检测机制提升系统稳定性。5. 适用场景： - 适用于复杂环境下的移动机器人导航与建图任务。 - 提供了一种在高动态性和长时间运行中表现稳定的解决方案。综上所述，LIO-SAM通过整合多种传感器数据并优化算法效率，在多场景下展示了优异的性能，为移动机器人SLAM领域提供了新的解决方案。

• 摘要

• 一、引言

• 二、相关工作

• 三、基于SAM的雷达惯性里程计

• • A.系统架构进行了详细介绍
    • B.IMU预积分因子设计进行了深入探讨
    • C.该模块的数据融合算法进行了详细阐述
    • D.GPS因子外定位信息处理策略进行了深入研究
    • E.回环检测机制的相关设计与实现进行了详细描述

• 四. 实验

  • A. 本小节主要涉及旋转后的数据集
    • B. 步行场景下的数据集
    • C. 校园环境中的数据集
    • D. 公园环境的数据集
    • E. 阿姆斯特丹特区的数据集
    • F. 基准测试的结果

第五部分总结了本资源的核心内容与主要特点。详细阐述了其理论基础与实践应用。深入分析了其优缺点与适用场景。为读者提供了实用的参考价值。

---

Tixiao Shan,在其博士期间于2018年发表了具有重要影响力的论文《LeGO-LOAM》。他在完成学业后于19年前往美国麻省理工学院（MIT）从事研究工作。作为基础框架的延伸，《LIO-SAM》整合了IMU预积分因子与GPS辅助信息以提升定位精度与鲁棒性。该框架省略了传统的基于帧对的匹配方法，并对《LeGO-LOAM》的核心设计思路及其具体实现细节得到了充分阐述。

该资源介绍了...新方法用于解决资源分配问题在分布式系统中。

开源代码 ：... https://github.com/TixiaoShan/LIO-SAM

演示视频：

该视频播放器的源链接为

ICRA2021 | LIO-SAM作者开源项目：可靠激光雷达定位系统

本研究致力于探索基于深度学习的图像识别技术在医疗领域的潜在应用效果。通过一系列精心设计的实验方案，在真实医疗图像数据库上进行验证和评估, 通过多维度性能指标量化评估, 实验数据显示模型在特征识别方面表现优异, 结果表明该算法能够有效提高诊断准确性, 本研究通过系统性分析得出了关键结论: 深度学习技术在辅助医疗诊断中展现出显著优势

本研究提出了一种名为LIO-SAM的新框架，并基于因子图为理论基础构建了雷达惯性里程计系统。该框架能够整合大量相对测量值、绝对测量值以及回环等多类数据源，并通过预积分得到运动估计结果来进行校正应用。这些运动估计结果不仅能够辅助校正点云偏移并提供初始优化值给雷达里程计系统运行使用，还能够反向推算出IMU设备存在的偏差问题。为了进一步提升实时性能，在位姿优化阶段采用了动态舍弃旧数据的方法而非直接将雷达点云与全局地图进行匹配操作。此外，在实现扫描配准时采用了局部区域策略而非全局配准方式以显著提升了系统的运行效率原因在于该方法仅对关键帧进行选择性处理并通过滑动窗口策略实现了高效的配准运算

一、本研究的引言部分

本段主要对视觉 SLAM 和激光 SLAM 方法进行了简要比较。其中，
视觉 SLAM 技术则主要依赖于来自相机的图像数据，
并结合 camera pose 和 world structure 的信息。
相比之下，
激光 SLAM 技术则主要依赖于三维环境中的点云数据，
并且其计算复杂度相对较高。
综合而言，
在实时性方面视觉 SLAM 技术具有明显优势，
而在精度和定位能力方面
激光 SLAM 技术则更为出色。

一种能够实现反馈控制、避障 maneuvering, trajectory planning 以及多种应用场景的智能移动机器人系统,其核心任务包括状态估计,定位以及地图构建等基本要求。该系统采用视觉传感器技术和雷达传感器技术相结合的方式,经过大量努力开发出高实时性的SLAM算法。其中,视觉传感器技术通常采用单目摄像头或立体摄像头 setup,通过连续拍摄的照片进行三维特征匹配来推断相机运动轨迹。然而,这种方法对光照变化较为敏感,且在初始化配置时对环境条件要求较高,因此单独依赖视觉方法难以可靠支撑自主导航系统运行。相比之下,雷达技术具有良好的光照适应性特征,尤其近年来新型长距离高分辨率3D激光雷达(如Velodyne VLS-128 和 Ouster OS1-128)的应用使得该技术在复杂环境感知方面展现出显著优势。本文重点探讨了基于雷达技术的状态估计与环境建模方法。

这一段重点阐述了LOAM方法所面临的主要局限性

近年来提出的基于激光雷达的状态估计与建图方法共有数十种。其中LOAM（Lidar Odometry and Mapping）算法因其在小漂移实时定位与地图构建方面的卓越表现而备受推崇。该算法通过融合单个雷达传感器与一个惯性测量单元（IMU），实现了最优的定位与建图性能。值得注意的是，在KITTI Odometry基准网站上发布后，LOAM始终稳居榜首位置。然而该算法仍存在一些局限性：其主要缺陷之一是将地图信息存储在一个全局体素网格中，并且无法自主完成环路闭合检测这一关键环节。此外该方案还无法直接整合GPS等外部绝对测量设备进行姿态校正。更令人担忧的是，在大规模场景测试中发现该算法存在定位偏移现象原因在于其实质依然是一个基于扫描匹配算法的设计框架。

本文提出了一种名为LIO-SAM的方法，并对其进行了详细阐述。该方法通过创新性地设计算法框架，在数据处理效率方面取得了显著提升。主要贡献体现在优化了数据融合过程的同时，在实时性方面也实现了突破性进展。

本文提出了一种基于SAM紧耦合框架的新方法——LIO-SAM——用于解决上述问题。我们通过建立了一个非线性运动模型来校正点云偏斜问题，并利用IMU测得的数据来估算激光雷达扫描过程中的传感器运动状态。该算法不仅用于校正点云偏差问题...而且还可以作为雷达里程计优化过程中的初始位姿估计工具。由 radar 里程计计算所得的数据进一步优化了 IMU 偏差参数。值得注意的是，在位姿优化过程中我们采用了舍弃旧雷达帧的方法...这与 LOAM 的全局匹配策略不同...这种方法显著提升了系统的实时性优势在于采用了关键帧选择策略并结合滑动窗口方法（仅将新的关键帧与固定尺寸的多个先前关键帧进行匹配）。我们的主要贡献体现在以下几个方面：

一种基于因子图的紧密集成雷达惯性结合里程计框架，在多传感器融合与全局优化方面表现优异；
提出了一种基于局部滑动窗口的scan-matching算法，在关键帧匹配与先前帧估计方面进行了优化设计；该算法通过匹配选择关键帧并估计数量的先前关键帧策略，在实际应用中实现了良好的实时性和高效性；
该框架已在不同场景、设备类型以及复杂环境下进行了充分测试并取得了满意的效果。

二、相关工作

该算法通过引入新的数学模型来提高计算效率。基于该算法采用了新的数学模型来优化计算效率，并且在实验中发现该算法能够显著提升数据处理速度。通过实验分析发现该算法在数据处理方面表现出明显优势，并且在实际应用中展现出较高的可靠性和稳定性。

典型的雷达里程计实现是通过利用scan-matching方法确定相邻帧间的相对转换关系来进行定位与建图的。其中包含ICP、GICP等传统算法。然而，在这些方案中仅依赖于完整的点云匹配可能会面临计算效率较低的问题。近年来基于特征匹配的方法逐渐受到关注。例如，在文献[5]中提出了一种基于平面特征匹配的雷达里程计算法。假设在被测场景处于结构化环境内，则可以通过从点云数据中提取平面特征并采用最小二乘法对其进行配准来完成位姿估计工作。类似地，在文献[6]中则介绍了一种基于线特征的算法其基本思路是从原始点云数据中随机提取线性特征并完成配准过程以提高计算效率。然而由于现代三维激光雷达系统本身存在旋转部件运行时产生的系统偏差这会导致采集到的点云数据出现不同程度的空间扭曲现象因此单纯依靠激光雷达信号进行位姿估计将会产生较大的误差进而影响整体精度为此必须引入辅助传感器配合使用才能有效改善结果

因而,雷达通常会与其他传感器（如IMU GPS）协同工作以实现状态估计与地图构建.基于传感器融合思路的方法主要可分为两类：loosely coupled 和 tightly coupled approaches.例如 LOAM[1] 算法通过 IMU 进行点云校正并为其扫描匹配过程提供运动先验信息.然而，在优化阶段中并未引入 IMU 的测量数据.因此 LOAM 属于 loosely coupled methods family.另一个轻量级且基于地面优化框架的雷达里程计与地图构建系统 LeGO-LOAM[7] 被应用于地面车辆的地图构建任务.其中 EKF 作为一种流行的方法，在优化阶段结合了来自激光雷达 IMU 和可选 GPS 的测量数据以实现机器人状态估计.

紧耦合系统能够显著提升精度，并被认为是当前的研究热点。在[15]方法中,使用预积分IMU测量值对点云实施偏斜校正 。研究者[16]开发了一种以机器人为核心的雷达惯性里程计LINS系统,该系统采用紧耦合方式结合ESKF算法来校正机器人状态 。长时间导航可能导致系统出现漂移现象 。尽管LIOM设计考虑了所有传感器数据进行处理,但其实时性能仅为0.6倍

该系统以SAM技术为基础构建了雷达设备与惯性测量装置相结合的里程计算系统

该系统的简要介绍

在本论文中，我们首先明确了所使用的坐标系与符号体系。其中，W表示世界坐标系，而B则代表机器人自身的坐标系。为了简化描述并减少复杂性考虑，在此假设IMU坐标系与机器人本体坐标系保持一致。基于上述设定与前提条件，在此给出机器人状态量x的定义方式：

本研究提出的一种系统概述见图1。本系统接收来自多维雷达、惯性测量单元以及可选全球定位系统的数据源，并致力于基于这些来自不同传感器的数据源来估计机器人所处的状态及其运动轨迹。该状态估计任务可被视为一个最大后验概率（MAP）优化问题，并为此问题构建了一个因子图模型。该因子图特别适合用于贝叶斯网络推理过程，并基于这一假设得出结论：在这一假设下 MAP 推断与非线性最小二乘法之间存在等价关系；值得注意的是 我们的系统设计具有良好的通用性特点 ，因此可以在不增加复杂度的情况下引入其他类型传感器的数据 ，例如 高程计测量的地势高度值以及罗盘指示方向信息 。

在构建因子图的过程中，在线构建SLAM系统会对一个变量引入四种特定类型的因素。其中一种因素对应于当前机器人状态的变量位置。具体来说，在这种框架下涉及的因素包括：(a) IMU预积分因素、(b)雷达里程计因素、(c)GPS因素以及(d)回环检测因素等关键组件。为了确保系统的稳定性与可靠性，在机器人位姿变化超出预设阈值时会动态添加新的状态节点x至当前框架中；随后系统将利用iSAM2算法进行优化运算以提升整体估计精度；后续章节将详细阐述上述各因素的具体生成机制与应用方法

B. Inertial Measurement Unit (IMU) 的前向积算子

基于IMU的传感器提供的角速度和加速度测量值可通过以下公式（2）和（3）进行定义。

基于IMU测得的数据，我们可以推导出机器人运动的状态信息。对于时刻t+Δt的状态量计算而言，在此我们有如下公式推导：

其中速度、位置以及姿态的计算可通过以下公式实现：

v(t+\Delta t) = f(v(t), IMU\_measurements)

在式中，Rt代表从坐标系B到坐标系W之间的旋转矩阵。其中我们假设基准坐标系B在整个积分过程中其角速度与加速度保持恒定。

受限于篇幅，我们可以通过文献[20]获取有关公式(7)-(9)推导的更多信息。除了其有效性之外，应用IMU预积分也自然地提供了这种类型的因子图约束-IMU预积分因子。其中IMU偏差与同时配合雷达里程计因子在同一个因子图中进行优化。

受限于篇幅，我们可以通过文献[20]获取有关公式(7)-(9)推导的更多信息。除了其有效性之外，应用IMU预积分也自然地提供了这种类型的因子图约束-IMU预积分因子。其中IMU偏差与同时配合雷达里程计因子在同一个factor graph中进行优化。

基于雷达的数据积累因子

该段详细阐述了围绕边和面的特征提取。

当接收新的雷达扫描数据时, 我们首先通过评估局部区域中各点的凹凸程度来提取边缘和表面特征. 当某一点的凹凸程度较大时, 则将其归类为边缘特征; 同样地, 当凹凸程度较小时, 则将其归类为表面特性. 为了简洁起见, 我们将从时刻i所获取的所有雷达回波数据中提取出的所有边缘与表面特徵集合表示为F_{ie}与F_{ip}. 在此过程中, 所有被提取出的关键特徵集合即组成了当前时刻下的雷达帧F_i = [F_{ie}, F_{ip}], 其中该雷达帧F均基于B坐标系进行表达. 关于特徵提取的具体实现细节, 可参考文献[1][7].

这一段讲述了本文如何插入关键帧的具体方法

在实际应用中，在对每一个雷达帧进行计算并将其加入因子图优化时会面临高度复杂性的问题。为此，我们采用了关键帧策略这一方法，在视觉SLAM领域已有广泛应用。具体而言，在机器人相对于前一状态x_i的位置与朝向变化超过用户设定的标准时，则选取对应的雷达帧Fi+1作为新的关键帧。该关键帧与新生成的状态节点x_{i+1}相关联，并将连接这两个新状态节点之间的所有雷达中间帧都被丢弃。随后连接这两个新状态节点之间的所有雷达中间帧都被丢弃。这种基于关键帧的方法不仅实现了对地图密度与内存消耗的有效平衡，并且有助于维持一个相对稀疏但适合实时非线性优化使用的因子图。在本研究中所采用的关键点位置变化阈值设置为1米，并将旋转角度阈值设定为10度

请详细阐述雷达里程计因子 形成的具体过程。

在因式图中新增一个状态节点ξi+1，并且其中对应的雷达关键帧为Fi+1，则生成一个雷达里程计因子的过程如下。

体素图谱的子关键帧：我们采用滑动窗口技术生成一个点云图谱...该图谱整合了固定数量最近雷达采集到的点云数据。与直接从两个相邻雷达帧中获取相对转换关系不同的是，在本研究中我们选取了n个最邻近的关键时刻作为子关键帧，并利用这些子关键帧对应的变换矩阵来估计整体的空间变换关系。这些子关键帧集合\{F_{i-n},...,F_i\}通过结合各自对应的变换矩阵\{T_{i-n},...,T_i\}被映射到全局坐标系中。经过这种处理后将所有映射到全局坐标的子关键帧融合在一起得到完整的体素图谱M_i（体素图谱是基于全局坐标系构建的空间分割）。由于在特征提取阶段我们分别识别了两类不同的特征信息，则完整的体素图谱M_i由两类特殊的体素组成：一类是基于边缘特性的边元素体素M_{ie}、另一类是基于面特性的面元素体素M_{ip}；值得注意的是，在雷达数据采集和体素图谱构建的过程中二者之间存在着密切的空间关联性：

通过后处理过程中的降采样技术应用对数据集进行预处理，并在后续模型训练过程中去除数据冗余

2.属于配对机制的一种

该文由张 Joint Team 和 Singh 联合团队所著，“基于激光雷达的低偏移实时定位与建图”的创新性研究得以发表于《Autonomous Robots》期刊中；具体文章信息为：Journal of Autonomous Robots, Volume 41 Issue No. 2, Pages 401-416, Year: 2017

3. 相对转换：某一特定特征与其相关联的边或面之间的距离按照以下公式计算：

D- GPS相关因素

尽管仅依靠IMU预积分因子与雷达里程计因子便能实现可靠的定位与环境构建，在长时间的导航任务中仍会面临位置漂移的问题。针对这一问题可通过引入具备绝对测量功能的传感器以消除位置偏差此类传感器主要包括高度计、罗盘以及GPS装置在此背景下我们重点探讨GPS技术因其在实际导航系统中的广泛应用而备受关注

当我们向因子图中添加一个新的节点时，在其位置上附加了一个新的GPS因子。若该GPS信号未被雷达帧的时间戳进行同步校准，则采用基于雷达帧的时间戳进行线性插值来补充相应的GPS测量数据。

在 GPS 数据可获得的情况下，在这种情况下我们无需持续添加 GPS 因子 ，因为雷达惯性里程计的漂移速率较慢。在实际应用中，在这种情况下仅当估计的位置协差大于接收的 GPS 位置协差时 ，我们才会添加 GPS 因子。

E. 循环因素

由于因子图的应用，在我们的系统中无缝引入了回环因子 ，与LOAM和LIOM不同。为了展示目的，我们现呈现并实现了基于欧拉距离的回环检测方法这一简便有效的方案。此外值得注意的是，我们的框架能够与其他回环检测方法兼容，并参考文献[22]及[23]中的相关技术：它们通过生成点云描述子并利用这些描述子进行位置识别。

这段提取回环因子

通过引入回环因子来体现其功能

通过实证研究发现，在GPS可获得且为唯一绝对传感器的实际应用场景中（...），采用回环因子显著地解决了机器人海拔漂移问题。这归因于GPS的高程测量存在显著误差，在未引入回环机制的情况下进行测试时所得出的高度偏差达到约100米。

四 实验

本文详细描述了一系列实验结果，并通过定性和定量分析来评估我们提出的方法。本研究采用的传感器组合由三个主要部分组成：包括一个Velodyne VLP-16激光雷达、一个 MicroStrain 3DM-GX5-25 IMU和一个Reach M GPS。为了验证该方法的有效性，在不同规模、环境及平台下共采集了五个互不相同的实验数据集。这些数据集分别命名为旋转型、步行型、校园型、公园型及阿姆斯特丹型。其中前三个数据集是在麻省理工学院校园内安装定制手持设备采集完成的。

本研究将LIO-SAM框架与其他两种方法LOAM与LIOM进行对比分析。在所有测试场景中，LOAM与LIO-SAM均需实时处理数据。相比之下，LIOM则拥有充足的时间对每个传感器的数据进行处理。本研究中的所有方法均采用C++语言开发，并在搭载Intel i7-10710U处理器的笔记本电脑上运行。基于Ubuntu Linux系统的机器人操作系统（ROS）平台运行。值得注意的是，在计算过程中仅使用了单核处理器，并未启用多线程或并行计算技术。我们的LIO-SAM实现可以在Github上免费获得，并欢迎访问GitHub以获取完整代码及详细说明。完整的测试结果及详细说明可在此链接中下载查看

A. 转置数据源

在本次测试中

其中

而

具体而言

从LOAM与LIO-SAM算法运行所得的地图结果分别展示于图3(b)与(c)]可以看出由于LIOM采用了与文献[25]相同的初始化方案因而其初始化性能受到了视觉-惯性SLAM算法类似的敏感影响导致无法通过本测试数据集获得有效的初始估计结果因此其生成的地图未能呈现【相比之下

该测试主要关注评估我们方法在SE（3）框架下进行正向平移与旋转操作时的表现效果。实验数据表明，在所用数据集中所能达到的最大平移速度为1.8米每秒（m/s），最大旋转速度则高达213.9度每秒（◦/s）。在整个数据采集过程中，参与者佩戴了如图2(a)所示的传感器套装，并迅速穿过麻省理工学院的校园区域（图4(a)）。在此过程中生成的数据支持了后续分析工作。本测试中使用的LOAM地图信息如图4(b)所示；值得注意的是，在面对主动旋转操作时，该算法会因自身特性导致其在多个位置出现分散现象；而LIOM算法在此测试中的表现则明显优于LOAM算法；尽管如此，在不同位置之间仍存在一些细微差异，并且由于其复杂的多传感器融合机制导致的地图呈现存在一定模糊性特征；值得注意的是，在处理所有传感器测量数据的过程中，LIOM算法因其计算效率优势能够在0.56倍以下实现实时性运算；相比之下，则有其他算法同样实现了实时性处理能力；最后经过对比分析发现，在综合性能方面LIO-SAM算法的表现最为突出，并能够生成与谷歌地球等可用地图服务相当具代表性的高精度地图信息

本测试旨在展示引入GPS和回路闭合因子所带来的优势。为了实现这一目标,我们特意排除了在图中加入GPS以及环路闭合因子的影响。当这两种关键因素均被排除时,我们的算法则仅依赖于IMU预积分以及激光雷达测速信息,这种方法被命名为LIO-odom。然而,当我们在算法中引入GPS测量数据时,则将其命名为LIO-GPS,此时该算法不仅利用了IMU预积分、激光雷达测距信息,同时也采用了 GPS 测量数据来进行图的构建过程。而当所有相关因素均被有效整合时，则采用名为LIO-SAM的方法进行处理

为了该数据集,研究者沿麻省理工学院周边地形移动,完成一次往返采集样本。由于校园地图区域内布设了大量建筑与树木阻碍了GPS信号的有效接收,导致大部分定位精度不足。经过剔除异常的GPS测量值后,在图5（a）中标明了可用的GPS覆盖范围,这些相对开放且未被建筑或树木阻挡的空旷地带即为该区域内有效的定位区间

LOAM、LIO-odom、LIOGPS和LIO-SAM的估计轨迹如图5(a)所示。由于LIOM未能正确初始化并产生有意义的结果，因此没有显示LIOM的结果。如图所示，与其他所有方法相比，LOAM的轨迹显著漂移。如果没有对GPS数据的校正，lio-odom的轨迹开始在地图的右下角出现明显的漂移。在GPS数据的帮助下，LIO-GPS可以在存在时纠正漂移。然而，在数据集的后面部分中没有GPS数据。因此，当由于漂移导致机器人返回到起始位置时，LIO-GPS无法关闭循环。另一方面，LIO-SAM可以通过向图中添加环路闭合因子来消除漂移。LIO-SAM的地图与谷歌地图对齐一致，如图5(b)所示。当机器人返回起点时，所有方法的相对平移误差如表二所示。

D. 城市公园数据库

该数据库由多个城市公园组成，并包含其相关的地理信息和生态特征等详细记录。

本次测试中，在UGV上安装了传感器，并让车辆沿徒步路线行驶。机器人于40分钟后回到起始点位置。UGV在其上的三个不同路面进行了行驶测试：沥青路面、草地覆盖的地面以及泥土小径。由于缺乏悬挂系统，在非沥青路面上行驶时会出现低振幅但频率较高的振动。

为了模拟具有挑战性的映射场景，在机器人处于开阔区域时我们采用了GPS测量方法（如图6(a)所示的部分）。这一任务涉及此映射场景，在其运行过程中机器人必须对多个无法利用GPS定位的区域进行建图，并定期返回能够利用GPS定位的区域以确保坐标更新的准确性。

与前一阶段的实验结果具有相似性，在本研究中发现LOAM、LIOM以及LIO-odom系列算法普遍面临明显的位移问题。具体而言，在定位精度上仅达到0.67倍的设计目标时（见表二），LIOM表现得更为高效。值得注意的是，在水平方向上这两种算法表现出一致的效果（表二），但它们在垂直方向上的表现却有所不同：LIO-GPS因其依赖于可靠的海拔基准数据而表现出较大的高度漂移风险，在机器人复位时无法有效闭合轨迹；相比之下，则是LIO-SAM系统通过闭环检测机制有效地规避了这一问题。

最后，我们把传感器套件安装在船上，沿着阿姆斯特丹的运河航行了3个小时。虽然在这个测试中，传感器的运动相对平滑，但由于几个原因，绘制管道仍然具有挑战性。运河上的许多桥梁都构成了退化的场景，因为当船在运河下面时，几乎没有什么有用的特征，类似于穿过一条长长的、没有特色的走廊。平面特征的数量也明显减少，因为地面不存在。当阳光直射在传感器视场中时，我们从激光雷达中观察到许多错误的检测，这在数据收集过程中发生了大约20%的时间。由于头顶上存在桥梁和城市建筑，我们也只能获得间歇性的GPS接收。

基于这些挑战的影响，在测试中LOAM、LIOM和LIO-odom均未能产生预期的结果。类似于Park数据集中的问题，在高度漂移的情况下，LIO-GPS在返回至机器人初始位置时无法实现闭环回路。这一发现进一步促使我们在LIO-SAM中引入闭环因子以解决这一问题。

基于这些挑战的影响，在测试中LOAM、LIOM和LIO-odom均未能产生预期的结果。类似于Park数据集中的问题，在高度漂移的情况下，LIO-GPS在返回至机器人初始位置时无法实现闭环回路。这一发现进一步促使我们在LIO-SAM中引入闭环因子以解决这一问题。

基于标准的测试数据评估结果

在Park数据集中获得完整的GPS覆盖是一项关键前提条件。为此我们假设所有GPS测量的历史均方根误差可被视为地面真实值基准。然而此RMSE未能充分考虑沿z轴方向上的测量偏差如图3所示LIO-GPS与LIO-SAM两种算法在这一特定维度上展现出明显的差异性表现其中LIO-GPS方法在该指标上的表现更为优异但其精度水平仍需进一步验证以确保系统性能满足复杂环境下的稳定需求

在所有五个数据集上完成一个激光雷达帧的平均时间可参考表四中的具体数据。LOAM和LIO-SAM在测试过程中必须进行实时处理。当旋转速率为10Hz时，在超过100ms的时间间隔内无法同步采集到足够的信息，则会导致部分激光雷达帧丢失。LIOM由于拥有充足的处理时间，在这一过程中无需担心信息丢失的问题。从图表可以看出,LIO-SAM所需的时间明显多于其他两种方法,因此它更适合应用于低功耗嵌入式系统中。

我们对LIO-SAM进行了压力测试实验，在实验中发现其运行效率显著高于实时处理水平。实验数据显示，在表四中详细列出了各项指标的数值表现其中特别值得一提的是该算法不仅能够实现类似的效果（相较于实时处理而言），而且在数据处理速度方面同样表现出色（如图所示）。通过对比分析可以看出，在实际应用中LIO-SAM的数据处理能力较传统方法提升了高达13倍的效率

研究表明，在LIO-SAM算法运行过程中对特征图密度的变化更加敏感，并与因子图中的节点数量及连接数相比相对稳定。

值得注意的是，在 Amsterdam 测试中完成任务所需的时间比在 park 测试中节省了约三分之一。

第五. 总结

经过对现有技术方案的深入分析,本研究提出了一种新的数据处理方法.该方法通过优化算法效率,显著提升了系统的运行速度.通过对多个实际应用场景的数据实验,验证了该方法的有效性与可靠性.综上所述,本研究不仅为解决当前数据处理难题提供了创新思路,也为后续相关研究指明了方向.

本研究开发了一个基于SAM算法的紧凑型雷达惯性融合里程计框架LIO-SAM。该系统旨在实现复杂环境下的实时状态估计与环境建模。在构建因子图的过程中，我们实现了雷达与惯性测量的有效融合。框架设计允许新增传感器数据作为独立因子加入系统。绝对测量设备（如高度计、罗盘仪及GPS接收器）的数据能够有效抑制长期漂移现象，并能轻松替代现有因子参与计算。为了提升计算效率与实时性能，在关键帧选择上采用了滑动窗口策略。具体而言，在关键帧之间实施滑窗操作以减少冗余计算量的同时保证精度不受影响。此外，在扫描匹配过程中我们采用局部邻域内的配准操作相较于全局配准具有更高的计算效率与更低的时间消耗。通过在多个数据集上的实验验证表明该方法可显著提高定位精度并展现出良好的鲁棒性特性