LIO-SAM算法解读-徐胜攀.pdf

简介：
对LIO-SAM算法进行详细解析一、对算法的总体说明LIO-SAM（Lidar-IMU Odometry with Sparse Adjustment and Mapping）算法是一种依赖激光雷达和惯性测量单元的数据融合同步定位与建图的SLAM方法。该算法集LOAM、LeGO-LOAM及LIO-Mapping优势，其在实时定位与环境建模方面表现出色。二、关键技术点该算法采用了创新性的架构设计，在数据处理效率和资源利用率方面均实现了显著提升。LIO-SAM算法的中心在于其创新性算法体系结构，主要包含以下几个显著特点： - **滑动窗口机制**：LIO-SAM采用了滑动窗口的概念，在与LIO-Mapping相比时，采用了一种不同于将整个滑动窗口内所有点云一次性优化的策略，而是通过连续的关键帧构建局部地图（sub-keyframes），随后实现帧到局部地图（frame-to-map）的匹配。 - **紧耦合优化**：其残差项被用于作为IMU因子，经过优化处理后实现了Lidar与IMU数据的紧密融合，从而显著提升了定位精度和系统的鲁棒性。 - **增量式优化**：利用贝叶斯树（iSAM）进行增量式的滑动窗口优化和平滑处理，在保证实时性的前提下确保了计算的准确性。 在LIO-SAM框架中，因子图被普遍应用于其中的主要部分，涵盖了前端的局部优化与后端的整体规划环节，其核心作用在于有效解决路径闭环检验的关键问题。 ##### 2. **系统架构** - **需要估计的状态**：包括位置、姿态、速度以及IMU零偏这些状态变量。 - **IMU预积分约束的建立**：通过对IMU数据进行预积分处理，获取其在两个关键帧之间的时间段变化量，为后续的优化过程提供关键信息。 - **Lidar里程计约束的设计**： - 只在关键帧上施加里程计约束条件，而非关键帧的数据则被舍去。 - 关键帧的选择通常选取位移超过1米或旋转超出10度作为判断依据的标准。 - 在处理过程中，系统将当前帧与局部地图进行比对分析，而不是与其他相邻的帧做对比，从而提升了系统的稳定性。 ##### 3. **基于三维特征的点云配准方法**LIO-SAM基于一种高效的点云匹配方案进行工作，并具体而言，这些步骤主要包括：首先对原始点云数据进行了初步的预处理工作；然后匹配关键特征点位置并完成对应关系的数据配准；最后通过几何约束条件实现了三维场景的重构过程。特征提取部分：采用平面和平行线特征点的计算方式。匹配计算环节：利用公式10和11分别对点与平面或直线之间的距离进行数学求解，并整合结果以确定点云间的相对位置参数。残差计算步骤：基于点云匹配的结果，系统性地输出残差值并对其进行数学求导运算，以便获得状态变量的梯度信息。更新优化阶段：通过GTSAM框架对因子图进行全局优化处理，持续迭代调整估计量以实现最小化残差的目标。 GPS定位模式（可调节）是一种优化选项，允许用户根据实际需求进行调整以达到最佳导航效果。该系统还采用了GPS约束功能，用于限制定位过程中位置估计的偏差，并能显著提升定位精度。加入这种约束措施能够有效地抑制或防止由累积误差引起的较大偏差发生。#### 三、算法流程解析 在本节中，我们将详细阐述所提出算法的具体实现过程及其各组成部分之间的相互作用关系。 首先，在初始化阶段，我们设置初始参数包括数据矩阵$X \in R^{n\times d}$和一个空的候选集$\mathcal{C} = \emptyset$。随后，系统将通过迭代计算来逐步优化这些参数并生成最终的结果集合$\mathcal{R}$。 在每一轮迭代中，算法首先执行特征提取操作，利用预定义的特征函数$f(\cdot)$对数据样本进行处理，并将结果存储于临时变量$t$中。接着，在随后的相似度评估阶段，系统通过调用相似性测度函数$s(\cdot, \cdot)$计算当前候选样本与所有潜在目标之间的关联程度。最后，基于获取的相似度信息，算法将动态调整候选集$\mathcal{C}$的内容，并将其更新为新的候选样本集合。 整个流程在有限次迭代后收敛于一个稳定的解状态，此时生成的结果集合$\mathcal{R}$即包含了系统所识别的所有满足条件的目标。 1. **初始化**：初始化状态参数设置，包含起始位置、姿态角、初速以及IMU的静态偏差校正项。 2. **数据采集**：对LiDAR和惯性测量单元（IMU）传感器进行数据捕获。 3. **特征提取**：利用LiDAR测得的二维平面和平行边缘信息构建关键特征点集合。 4. **帧间匹配**：通过全局匹配算法确定当前LiDAR帧相对于局部地图的最佳配准关系。 5. **关键帧选择**：基于预设阈值策略判断姿态和位置的变化量是否超出显著范围，决定是否标记该帧为关键帧。 6. **构建局部地图**：通过关键帧信息拼接形成当前区域的高精度基准地图。 7. **残差计算**：基于位姿估计的误差项评估当前状态与理想轨迹的一致性程度。 8. **优化求解**：调用GTSAM框架中的非线性最速下降算法迭代更新各状态参数，直至收敛到最优解。 9. **回环检测**：通过因子图模型识别全局定位错误并重新优化局部轨迹以减少累计漂移。 10. **结果输出**：计算最终的状态估计量包括位置、姿态和速度，并将它们反馈至后续数据处理流程中使用。 该方法通过科学算法实现了精准预测的核心目标，并在多维度数据分析的基础上确保了结果的可靠性。研究团队经过反复验证和优化，在有限样本下获得了令人满意的实验效果。该算法整合了LOAM、LeGO-LOAM及LIO-Mapping的优势，以实现精准且高效的定位与地图构建。该算法凭借先进滑动窗口机制、紧凑耦合优化策略和贝叶斯树驱动的分段优化技术，在自动驾驶与机器人导航等领域表现出色。此外，该算法可同时接入GPS约束信息，有效提升了系统可靠性及实用价值。