作者丨robot L@知乎
本文介绍IROS2020的一篇文章：
T. Shan, B. Englot, D. Meyers, W. Wang, C. Ratti, D. Rus. LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping, IEEE/RSJ International Conference on Intelligent Robots and Systems, 2020.
附上作者Tixiao Shan上传到Youtube的视频：
原视频地址：youtube.com/watch?。
作者Tixiao Shan在2018年发表过LeGO-LOAM，当时他还在史蒂文斯理工学院读博士，19年毕业之后去了MIT做助理研究员（羡慕.jpg）。。。这篇文章LIO-SAM实际上是LeGO-LOAM的扩展版本，添加了IMU预积分因子和GPS因子，去除了帧帧匹配部分，然后更详细地描述了LeGO-LOAM帧图匹配部分的设计动机和细节。
代码已开源，传送门：TixiaoShan/LIO-SAM（https://github.com/TixiaoShan/LIO-SAM）。
PS：今天上github查了一下LeGO-LOAM，发现有许多有趣的版本，比如这个：https://github.com/irapkaist/SC-LeGO-LOAM
将基于欧式距离的回环检测换成了基于全局描述子Scan Context的回环检测。还有这个：https://github.com/facontidavide/LeGO-LOAM-BOR/tree/speed_optimization
从代码层面进行了改进，优化了速度和代码可读性等。
目录
- 内容介绍
- 研究背景
- 方法
- 综述
- 激光里程计因子
- GPS因子
- 实验验证
旋转数据集
行走数据集
校园数据集
公园数据集
阿姆斯特丹数据集
总结
核心思想
优缺点
展望
1. 内容介绍
本文提出了一种紧耦合激光-惯性里程计方法，通过优化包含LiDAR里程计因子，IMU预积分因子，GPS因子和回环因子来得到机器人的全局一致的位姿。作者使用帧-局部地图匹配代替LOAM的帧-全局地图匹配，提高了帧图匹配的效率（个人感觉这并不算一个新的创新点，因为作者在LeGO-LOAM中已经用了帧-局部地图匹配）。
图1. (a)操作员手持设备。(b)LIO-SAM使用激光和IMU数据的建图结果。
2. 研究背景
LOAM是目前为止激光里程计（LO）领域最经典最广泛使用的方法。但是它存在一个问题，就是它直接存储全局体素地图而不是局部地图，从而很难执行回环检测以修正漂移，或者组合GPS等测量进行位姿修正。并且体素地图的使用效率会随时间降低。为了克服该问题，作者只独立地存储每个关键帧的特征，而不是在位姿估计完成后就将特征加入到全局地图中。
另一方面，IMU和LiDAR的联合位姿估计已经被广泛研究，大致分为两类。第一类是松耦合的方法，例如LOAM和LeGO-LOAM中使用IMU去除LiDAR点云的运动畸变，以及[8]-[12]使用EKF整合LiDAR和IMU的测量。第二类是紧耦合的方法，例如R-LINS[15]，使用误差状态卡尔曼滤波器迭代地修正机器人的位姿估计，再比如LIOM [16]联合优化LiDAR和IMU测量。但是LIOM一次性处理所有测量，因此不能实时运行。而本文也属于紧耦合的激光-惯性里程计方法，只是采用了因子图优化而不是滤波的方法。
3. 方法
A. 综述
图2展示了LIO-SAM的因子图。图中主要包含四种因子。第一种是IMU预积分因子（橙色），由两个相邻关键帧之间的IMU测量积分得到。第二种是激光里程计因子（绿色），由每个关键帧和之前n个关键帧之间的帧图匹配结果得到。第三种是GPS因子（黄色），由每个关键帧的GPS测量得到。第四种是回环因子（黑色），由每个关键帧和候选回环关键帧的时序相邻的2m+1个关键帧之间的帧图匹配得到。此外，因子图优化通过iSAM2[18]完成。
图2. LIO-SAM的系统结构。
IMU预积分因子在robot L：【论文阅读12】On-Manifold Preintegration (https://zhuanlan.zhihu.com/p/108203458，Part2：技术细节)一文中已经介绍过，回环因子在LeGO-LOAM中已经介绍过，不再赘述。这里详细介绍后激光里程计因子和GPS因子。
B. 激光里程计因子
在本文中，只使用关键帧的特征，非关键帧的特征全部被抛弃。采用LOAM[1]或LeGO-LOAM[7]的方法提取第 
个关键帧的特征 
，前者是边缘特征，后者是平面特征。当新的关键帧 
到来时，利用之前n+1个关键帧的特征集合 
和位姿估计 
构建局部地图 
，其中
(1)
和 
是变换到世界坐标系中的第 个关键帧的特征。 
和 
是世界坐标系中的局部边缘特征地图和局部平面特征地图。
之后，我们利用LOAM中的方法匹配 
和 ，以及 
和 ，建立点线和点面距离约束。通过最小化所有约束，优化 
。点云匹配和位姿优化过程与LOAM/LeGO-LOAM相同，不再赘述。不同的是，这里使用过去n+1帧关键帧的组合点云而不是全局点云和最新帧进行匹配。
C. GPS因子
当接收到GPS测量后，我们首先使用[20]的方法变换它们到笛卡尔坐标系中。当一个新的位姿节点被插入到因子图后，我们关联GPS因子到该位姿节点中去。具体地，我们线性插值GPS的时间戳，得到对应最新位姿节点的GPS位置。
由于在GPS信号一直存在的时候，持续添加GPS因子没有意义。因为漂移很缓慢。所以在实际操作过程中，我们只添加GPS因子当位姿估计协方差矩阵变得很大的时候。
4. 实验结果
我们比较了提出的LIO-SAM，LOAM以及LIOM。此外，我们的实验基于三种不同的实验平台，如图3所示。
图3. 三种不同的实验平台。
A. 旋转数据集
该实验验证我们仅使用IMU因子和激光里程计因子时，系统的鲁棒性。在该实验中，我们静止在原地，并快速晃动手中的传感器设备。LOAM和LIO-SAM的建图结果如图4所示。LIOM由于采用了[24]的初始化方法较为敏感，在该数据集中不能初始化成功，因此没有显示它的建图结果。
图4. 实验1的建图结果对比。、
B. 行走数据集
该测试用来验证我们方法经历剧烈平移和旋转运动时的表现。在数据收集阶段，使用者手持传感器在MIT校园内快速行走。可以看出LOAM，LIOM和我们的LIO-SAM的建图效果递增。LIOM不能实时运行，其他两种算法可以实时运行。
图5. 实验2的建图结果比较。
C. 校园数据集
该测试用来验证引入GPS和回环因子的好处。为此，去除GPS和回环因子的系统被称为LIO-odom；去除回环因子使用GPS因子的系统被称为LIO-GPS；适用所有因子的系统为LIO-SAM。在该数据集中，使用者手持平台在MIT校园中行走，并回到起点的相同位置。由于有树木的遮挡，部分区域接收不到GPS信号。图6展示了各种方法的轨迹和LIO-SAM的建图结果。
图6. 实验3的轨迹图和LIO-SAM的建图结果。
表2总结了各种方法回到原点后的相对平移误差。
D. 公园数据集
在该实验中，我们将传感器放到UGV上，并驾驶它沿着公园的林荫小路行走。在40分钟后，该小车回到了原点。图7展示了不同算法的轨迹图，表2总结了各种方法的相对平移误差。
图7. 实验4的轨迹图和LIO-SAM的重建结果。
E. 阿姆斯特丹数据集
在该实验中，我们将传感器放到船上，并绕着阿姆斯特丹运河行驶了三个小时。建图结果如图8所示。
此外，表4总结了各种方法平均每帧的运行时间。和LIO-SAM能够承受的数据倍速播放上限。
5. 总结
A. 核心思想
基于激光雷达，IMU和GPS多种传感器的因子图优化方案，以及在帧图匹配中使用帧-局部地图取代帧-全局地图。
B. 优缺点
第一个优点是紧耦合了多种不同传感器，运动估计结果更鲁棒。
第二个优点是使用增量平滑和建图方法iSAM2执行因子图优化。iSAM2是真的好用，只需要设计因子就完事儿了，其他部分完全不用管，增量优化帮你搞定一切。时间-精度平衡，不存在的。
缺点一是关键帧之间的特征被完全丢弃。能否设计一种简单高效的方法同时利用关键帧之间的激光帧的（部分）特征？这样的好处是信息损失更少，有利于提高精度。
缺点二是没开源（划掉。
C. 展望
使用IMU预积分来利用IMU测量已经是惯用手法。帧-局部地图匹配也在其他LO/LIO中被使用过，例如SuMa和IMLS-SLAM使用的都是帧-局部地图匹配，以及这篇LIO文章robot L：【论文阅读9】3D LiDAR Inertial Odometry and Mapping（https://zhuanlan.zhihu.com/p/106291845）也使用了帧-局部地图匹配。为了提速，仅使用关键帧，剔除中间帧的想法借鉴自视觉SLAM，以后在激光SLAM中也会逐渐流行起来。LO以及LiDAR和其他传感器融合的SLAM领域还有什么可做的呢？
我觉得首先LIDAR点云的特征点提取这种基础工作有待进一步改进，无论是LOAM还是LeGO-LOAM，特征点提取方法都非常简单。能够提取出更加通用，稳定，高效的特征点的方法是非常关键的。因为后续的匹配算法对特征点的质量非常敏感，虽然短期可能看不出来，但是长期来看，好的特征非常重要。
其次，如何处理高动态环境也是一个开放问题。包括高动态环境中准确，鲁棒的定位方法，以及高动态环境的建图方法，是否对动态物体建图？如何去除动态物体的残影？如何建立纯静态场景地图？以及基于语义，物体，拓扑的建图方法等。
本文仅做学术分享，如有侵权，请联系删文。
▲长按关注公众号
