- 说明:使用方案主要涉及 机械激光雷达和IMU、固态激光雷达和IMU、激光雷达和IMU和GPS、激光雷达和IMU和相机 多传感器融合方案!
- 仅是从直观上对比各方案,如有错误,欢迎指正,也欢迎各位大佬交流。
- 对于其中涉及的固态方案,在这里适配了机械旋转机关雷达,后续会把方案涉及的所有程序上传到同一仓库
使用数据集
数据集名称 | 数据集传感器 | 点云是否含有ring、time | 数据集说明 | 真值说明 |
UrbanNav-HK_TST-20210517_sensors.bag | 多个机械激光雷达、IMU、双目相机、GPS | 是 | 城市环境、大回环、高动态 | 提供真值 |
park_dataset.bag | 机械激光雷达、IMU、GPS | 是 | 公园环境、树木特别多 | GPS提供真值 |
around_park_2021-09-24-11-36-03.bag | 固态激光雷达、IMU、 | 是 | 公园小场景 | 无 |
KITTI数据集 | 机械激光雷达、IMU、GPS | 不含time | 城市环境、多序列、有动态、部分含回环 | 提供真值 |
自己录制数据集 | 机械激光雷达、IMU、GPS、高精度惯导 | 不含ring、time | 学校环境和街道环境,上下起伏多,IMU精度低,16线机关雷达 | 高精度惯导提供真值 |
测试方案
支持方案名称 | 融合方式 | 传感器要求 | 后端 | 说明 | 论文 |
LIO-livox-modify | 激光雷达和IMU(松、紧) | 支持固态激光雷达、旋转激光雷达 | 滑窗优化 | 不能回环,提供单激光、IMU只去畸变、原版支持IMU紧耦合,我的改进版本使用ikdtree管理地图,可实时!(LIO-livox 机械雷达,idtree版本) | 无 |
livox-mapping | 激光雷达和IMU(松、紧) | 支持固态激光雷达 | 滑窗优化 | SC回环,支持地面检测、地图显示(LIO-livox 回环版本) | 无 |
LIO-SAM-modify | 激光雷达和IMU(松) | 支持固态激光雷达、旋转激光雷达、GPS | 因子图优化 | 提供回环,IMU只用来去畸变,可以使用GPS | LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping |
SSL_SLAM3_modify | 激光雷达和IMU(紧) | 支持固态激光雷达、旋转激光雷达 | 滑窗优化 | 不提供回环,添加了IMU去畸变(本身不含) | 无 |
fastlio2 | 激光雷达和IMU(紧) | 支持固态激光雷达、旋转激光雷达 | 滤波 | 不提供回环,使用ikdtree管理地图! | FAST-LIO: A Fast, Robust LiDAR-inertial Odometry Package by Tightly-Coupled Iterated Kalman Filter FAST-LIO2: Fast Direct LiDAR-inertial Odometry |
fast_lio_slam | 激光雷达和IMU(紧) | 支持旋转激光雷达 | 滤波 | 提供回环,使用SC! 前端是fastlio2,回环sc-pgo!(fastlio2回环版本) | 无 |
faster-Lio | 激光雷达和IMU(紧) | 支持固态激光雷达、旋转激光雷达 | 滤波 | 不提供回环,使用iVox管理地图!(fastlio2的iVox版本) | Faster-LIO: Lightweight Tightly Coupled Lidar-Inertial Odometry Using Parallel Sparse Incremental Voxels |
r3live | R3LIVE: A Robust, Real-time, RGB-colored, LiDAR-Inertial-Visual state Estimation and mapping | ||||
lvi-sam-modify | 激光雷达和IMU(松)、相机和IMU(紧)、vio和lio(松) | 支持固态激光雷达、旋转激光雷达、单目相机、GPS | 优化 | 提供RS、视觉回环,IMU只用来去畸变,LIO和VIO系统是松耦合! | LVI-SAM: Tightly-coupled Lidar-Visual-Inertial Odometry via Smoothing and Mapping |
LIOM | 激光雷达和IMU(紧) | 支持旋转激光雷达 | 滤波 | A Robust Laser-Inertial Odometry and Mapping Method for Large-Scale Highway Environments | |
lili-om-modify | 激光雷达和IMU(紧) | 支持固态激光雷达、旋转激光雷达 | 滑窗优化 | 提供回环,使用GTSAM全局优化 | Towards High-Performance Solid-State-LiDAR-Inertial Odometry and Mapping |
LINS | 激光雷达和IMU(紧) | 支持旋转激光雷达 | 滤波 | LINS: A Lidar-Inertial State Estimator for Robust and Efficient Navigation | |
LIO-Mapping | 激光雷达和IMU(紧) | 支持旋转激光雷达 | 滑窗优化 | Tightly Coupled 3D Lidar Inertial Odometry and Mapping |
闭环说明
SC-PGO是一个接收里程计和点云,使用SC回环检测,构建GTSAM进行位姿图优化的独立包!!! 方便进行回环检测和位姿图调整,以消除累计误差,构建全局一致的地图!
总结分析
调试了和跑通了目前基本的主流开源多传感器融合方案,从直观上进行了对比,没有从数据层面给出对比(接下来的事),因此很难做到准确,难免有错误的地方,欢迎指正!(具体的分析内容见另一个博客!)
- 在建图层面,lio-livox-modify效果看起来不错,点云很精细。
- 在轨迹精度上,lio-sam的轨迹最好,回环检测带来的效果十分明显!
- 在回环检测部分,除了lio-sam自带的回环以外,其余的方案都是采用SC-PGO实现的SC回环检测和全局位姿调整,对最终的建图和定位效果有很大的提升!
- 在运行效率上,lio-sam、lio-livox-modify方案以及滤波的方案fast-lio2能够做到实时(在我的电脑上,i5-12600KF、16GB内存、3060 12GB、固态硬盘)其余的方案不能实时(看git,可能是电脑要求高!)
总之,我的接下来重点是lio-sam(GTSAM因子图)、lio-livox-modify(滑动窗口)、fast-lio2(滤波方案),争取能够结合优点,构建一个更好点的SLAM系统(可能已经有了,我没关注到,希望有小伙伴多多交流)。