转载自：柑橘全程机械化平台
编辑: 一点人工一点智能
原文：SLAM 经典：FSAT-LIO
明天给大家分享 IEEE Robotics and Automation Letters 上发表经典文章：FAST-LIO: A Fast, Robust LiDAR-inertial Odometry Package by Tightly-Coupled Iterated Kalman Filter。文章中次要介绍了香港大学火星实验室研发的一种 SLAM 算法—FAST-LIO。
论文地址：https://arxiv.org/abs/2010.08196v3
01 背景介绍
SLAM 是随着机器人的倒退而衍生出的一个概念，为的是解决机器人的自主定位和导航问题，当初曾经被广泛应用在汽车主动驾驶、无人机、测绘以及 AR 和 VR 方面。SLAM 又有激光 SLAM 和视觉 SLAM 之分，其次要区别是所用传感器和获取数据不同。FAST-LIO 算法就是属于激光 SLAM。
02 问题与办法
早在 FAST-LIO 之前，就曾经呈现了许多经典的激光 SLAM 算法，例如 LOAM、LeGO-LOAM 等等，但文章的作者他们缓缓发现这些算法都或多或少得存在以下局限性：
1）激光雷达测量中的特色点通常是环境中的几何构造(例如，边缘和立体)。当无人机在芜杂的环境中工作时，因为没有强有力的特色，基于激光雷达的解决方案很容易产生进化。在激光雷达只具备小视场的时候，这个问题更加显著。
2）因为沿着扫描方向的高分辨率，激光雷达扫描通常蕴含许多特色点。尽管这些特色点并不能保障在产生进化的状况下牢靠地确定姿势，然而将这些大量的特色点交融到 IMU 测量中仍旧须要微小的计算资源，这是 UAV 机载计算机难以累赘的。
3）因为激光雷达通过多个激光器 / 接收器进行采样点，扫描中的激光点无奈保障在同一时间采样，这会导致呈现静止失真，也将显著升高扫描配准。另外，无人机螺旋桨和电机的继续旋转也给 IMU 测量带来了显著的噪声。为了解决以上问题，文章中采取了以下办法：
1）为了应答产生进化的疾速静止、噪声或芜杂环境，文章中采纳紧耦合迭代卡尔曼滤波器来交融激光雷达特色点和 IMU 测量。
2）为了升高大量激光雷达特色点带来的微小计算量，文章中提出了一种新的卡尔曼增益计算公式，并证实了它与传统卡尔曼增益公式的等价性。新公式的计算复杂度取决于状态维数而不是测量维数。
3）文章提出了一个反向流传过程来弥补激光雷达采样时带来的静止失真。
03 算法
FAST-LIO 算法的整个过程如下图所示。在建图过程中，首先将激光雷达输出数据输出到特征提取模块，以此来取得立体特色和边缘特色。而后将提取的特色和 IMU 测量值输出到状态预计模块，在 10Hz−50Hz 下进行状态预计。之后，预计的姿势将特色点注册到全局框架中，并将它们与到目前为止构建的特色点图合并。更新后的地图会在下一步中退出更多新的点。与过来的算法显著不同的是，在 IMU 的状态预计模块中减少了反向流传的过程，并将反向流传所得的后果与正向流传所得后果一起输出到残余计算中去。这其中各个局部波及的大量数学推导，感兴趣的敌人能够去自行浏览原文。
04 试验
文章的作者们为了验证 FAST-LIO 的卓越性，别离进行了三个试验。在第一个试验中，他们在其余条件不变得状况下别离应用新、旧得卡尔曼增益计算公式，并比拟了最终的的计算工夫和特色点的数量。后果如表所示，事实证明，新的卡尔曼增益计算公式的确能够很好地缩小计算量和计算工夫
在第二个试验中，作者们将搭载了 FAST-LIO 算法的无人机置于室内进行航行测试。并与 LOAM 算法进行比拟。测试结果表明，FAST-LIO 的运算速度更快、更稳固。其试验过程中无人机航行的角速度和加速度以及最终比拟后果如下图所示。
在第三个试验中，作者们将搭载了 FAST-LIO 算法的无人机置于室外进行航行测试。最终该试验中的漂移率小于 0.05% (在 140 米轨道上漂移 0.07 米)。该试验将扫描速率设置为 10 Hz，一次扫描的均匀解决工夫为 25 ms，均匀有 1497 个无效特色点。该试验对香港大学主楼的测绘后果如下图所示。
05 总结
这篇文章提出了一种基于紧耦合迭代卡尔曼滤波器的激光雷达惯性测程框架。该框架应用正向和反向流传来预测状态和弥补激光雷达扫描中的静止。此外，文章中证实并实现了一个复杂度更低，但与卡尔曼增益计算等效的公式。最初，所有的测试都证实，该算法能够提供准确、实时和牢靠的导航后果。
1、书籍举荐 -《3D 点云剖析：传统、深度学习和可解释的机器学习办法
2、SLAM 技术支持的物体 6Dof 位姿预计的自训练方法
3、书籍举荐 -《基于 Pose SLAM 的建图、布局与摸索》
4、基于多传感器交融的定位和建图零碎
5、书籍举荐 -《卡尔曼滤波与信息交融》
6、书籍举荐 -《大规模 SLAM 技术》