您的位置: 首页  >  文章  >  面向AGV的惯导-2D激光SLAM在流形上的发展

面向AGV的惯导-2D激光SLAM在流形上的发展

分类: 文章 • 2024-01-25 21:57:28

A Development of Inertial-2D LiDAR SLAM on Manifolds Towards AGV(IROS)
面向AGV的惯导-2D激光SLAM在流形上的发展
摘要：
近年来，利用惯性测量单元(IMU)与相机的多传感器融合实现视觉惯性导航(VIN)是同步定位与即时建图(SLAM)的一个热点，其精度高、成本低。与VIN不同的是，本文提出了一种用于自动引导车辆(AGV)的基于因子图的二维激光和IMU的传感器融合的SLAM框架。该工作使用预积分和李理论（李群、李代数）处理并与现有的二维激光雷达SLAM框架进行了比较。我们的第一个贡献是正式讨论和分析在融合IMU的情况下二维激光里程计。第二个贡献是提出了一种基于流形预积分理论的IMU和2D激光雷达融合管道。最后介绍如何使用管道实现。
I 介绍
最近发表了许多关于VIN的现有文献。与VIN不同的是，这项工作融合了一个外感受传感器- 2D激光雷达和本体感受传感器-惯性测量单元(IMU)，在精度和计算成本上都有更好的SLAM被称为激光惯导SLAM (LIN)。本研究与另一种激光雷达slam框架[1]的不同之处在于，它使用了预积分IMU测量，并结合了流形上的2D激光雷达因子。SLAM框架的前端利用图论将IMU因子和激光雷达因子结合到二维刚体群SE(2)上。在SLAM框架的后端，最大后验概率(MAP)能够实时估计机器人的位置。我们将在GTSAM 4.0优化工具箱[4]和ROS中使用预集成IMU和激光雷达因子来实现我们的算法。
II 2D激光惯导SLAM（LIN）
A.相关工作与分析
首先，VIN近年来SLAM中最流行的话题。其次，2D激光SLAM是最具历史意义的研究，在学术界和工业界都取得了巨大的成就。第一种是基于ICP的方法展示了最成功的系列例如ICP,PL-ICP,PSM,NDT,RF2O以及最好的SRF。Scan-to-map使用了局部和全局地图扫描，最有效和著名的2D激光SLAM是Hector SLAM和谷歌的cartographer.作为SRF的ICP方法工作非常快，可以在100Hz下工作然而Scan-to-map在10Hz处理非常准确。为了处理精度与性能之间的关系，我们应该根据硬件来选择有效的算法。
B.2D激光惯导SLAM（LIN）
面向AGV的惯导-2D激光SLAM在流形上的发展

LIN框架如图1所示，可以根据SRF激光雷达因子，结合SRF-Scan-to-map方法进行设计。该算法分为两部分:

  • 前端使用预积分IMU因子和2D激光雷达因子建立地图；
  • 后端使用最大后验概率进行非线性优化来估计机器人的位置，然后使用概率方法更新二维栅格地图。
    III 结论
    我们提出一种面向流形基于IMU预积分和2D激光SLAM尺度。结果表明，该算法能够有效地应用于Jetson TX2、Xavier等低计算成本设备。
    想要更深了解SRF算法参考这篇文献
    Mariano Jaimez,et al., Robust Planar Odometry based on Symmetric Range Flow and Multi-Scan Alignment, IEEE TRANSACTIONS ON ROBOTICS (TRO), 2018
    英文摘要
    In recent times, a hot trend in Simultaneous localization and mapping (SLAM) is visual-inertial navigation(VIN) by using multiple sensor fusion of inertial measurement unit (IMU) and camera due to highly accurate and low-cost. Different from VIN, In this paper, we propose a new development
    of a SLAM framework based on factor graph-based sensor fusion with a 2D LiDAR and IMU for Automated guided vehicle (AGV). This work handling with preintegration and Lie theory compares with existing 2D LiDAR SLAM framework. Our first contribution is formally discussing and analyzing 2D LiDAR odometry in case of fusing with IMU. The second contribution is that proposing a pipeline to fuse IMU and 2D LiDAR by using preintegration theory on manifolds. The last contribution is that show how to implement with a pipeline.

相关推荐