＜论文笔记＞LVI-SAM: Tightly-coupled Lidar-Visual-Inertial Odometryvia Smoothing and Mapping
LVI-SAM: 一种高度集成的基于激光雷达、视觉和惯性导航的运动估计方法通过平滑处理和平面构建实现
该两个子系统以紧密集成的方式构建模块化架构设计方案。在VIS初始化阶段,LIS负责提供必要的初始参数,包括系统状态x与IMU零偏b,并假设其不变性特性。当VIS执行视觉特征跟踪任务时,将激光雷达数据引入能够补充空间信息维度的能力,从而提升特征定位精度。
LIS在处理扫描匹配任务时,采用基于优化结果的视觉重投影误差与IMU测量偏差作为初始猜测来源,并将其作为因子图约束项加入全局优化框架。
随后,对获取的点云数据进行去畸变处理后,LIS提取边缘与面元素特征,并在滑动窗口内维护的目标特征图基础上实现精确匹配。
所得系统估计结果反传至VIS模块辅助完成初始化配置工作。
闭环校正流程通过VIS识别候选匹配并进一步优化,LIS则负责调整相关参数以达到最优解状态。
最终利用精确定位后的IMU零偏校正值完成位置估计计算流程。
主要贡献：
- 1、A strongly integrated LVIO framework constructed upon a factor graph enables both multi-sensor integration and global optimization supported by place recognition.
- 2、Our framework avoids faulty subsystem failures through failure detection, proving to be resilient against sensor degradation.
- 3、Our framework is carefully tested using data collected across diverse scales, platforms, and environments.
视觉惯性系统：
可参考这篇：
VINS-Mono: A Robust and Versatile Monocular Visual-Inertial State Estimator
该系统展现出良好的性能，并且主要参考了数学领域中的相关理论基础。在VIS初始化阶段引入了来自LIS的状态信息以及IMU偏差校正，在深度特征估计模块整合了激光雷达捕获的实时数据。当机器人运动幅度较大时（超出阈值范围），会导致VIS系统出现错误（基于阈值判断），此时系统会自动进行重新初始化。通过闭环检测获得的关键帧时间戳发送至LIS模块进行进一步验证分析。
激光惯性系统：
可参考这篇：
LiDAR-based inertional odometry system, named LIO-SAM, is a tightly coupled approach for high-precision localization and mapping through smoothing and mapping operations.
同样是由本文作者撰写的论文中提出了一种方法：通过引入基于激光雷达的关键帧滑动窗口模型来降低复杂度，并结合因子图进行优化过程。论文综合考虑并优化了以下四种关键因素：IMU预积分路径的几何限制条件（即IMU预积分约束）、视觉里程计的速度信息限制（视觉里程计约束）、基于激光雷达的位置与速度信息限制（即雷达里程计约束）以及系统闭合性要求（即闭环约束）。在LIS初始化之前，默认假设机器人速度为零开始运行；而在LIS初始化之后，则通过估计IMU零偏差值以及机器人位姿与运动速度等参数获得初始估计值作为VIS的基础输入数据源。论文还参考了《On Degeneracy of Optimization-based State Estimation Problems》一文中的相关理论与方法作为故障检测依据。当出现故障时，在因子图中不包含激光雷达里程计的直接路径性状态信息作为其路径依赖性的状态变量而不将其直接加入到状态空间模型中
融合过程：
评价：
视觉和雷达两种系统看起来相辅相成不足之处。这将导致机器人发生大幅度动作。这在车辆中较为少见吗？是否还有更好的方法来处理传感器的退化问题（也可能无需处理）？此外，在非退化情况下仍存在进一步优化的空间。