基于视觉、LiDAR与IMU的实时无人车里程计研究.docx

本文探讨了基于视觉、LiDAR（光探测和测距）和IMU（惯性测量单元）的实时无人车里程计的研究。里程计是无人驾驶车辆定位和导航的关键组件，它通过对车辆多维度运动的估计来实现环境感知、运动控制、相对定位和地图构建等功能。 在当前的研究背景下，已经有一些融合不同传感器数据的里程计解决方案。例如，Zuo等人在2019年提出了LIC-Fusion方法，结合LiDAR检测到的平面和边线几何特征以及视觉的稀疏特征，实现了在线传感器标定，从而提高精度。Shan等人在2021年的LVI-SAM系统中，结合视觉惯导和激光惯导，确保即使在缺乏纹理或特征的场景中也能保持鲁棒性。Zhang等人在2018年提出了一种分阶段的运动估计方法，首先用IMU预测，然后通过视觉惯性里程计计算，最后用激光点云校正，以修正IMU的速度和零偏误差。而Lin等人在2021年的R2 LIVE框架中，结合滤波器和因子图优化，实现了高效的状态估计和整体精度提升。 然而，现有的方法往往需要大量的CPU资源，尤其是前端处理。因此，设计一个高精度、低CPU占用、合理利用GPU资源的多传感器融合里程计具有实际意义。文章提出了一种基于因子图优化的视觉-LiDAR-IMU实时里程计系统，该系统有多种运行模式和初始化选项。 该系统采用改良的ICP CUDA算法优化LiDAR前端，提升了处理速率，利用退化因子增强了退化场景下的精度。同时，视觉特征处理中考虑了消除相机Rolling Shutter效应，提高了视觉测量的准确性。系统能够根据传感器配置运行在VLIO（全量视觉LiDAR惯性里程计）、LIO（关闭视觉的LiDAR惯性里程计）或VIO（关闭LiDAR的视觉惯性里程计）模式，且支持LiDAR和视觉两种初始化方式，扩大了应用场景。 系统架构包括视觉、LiDAR和IMU的里程计，以及轮速计辅助的车速测量和运动先验计算。设计中，前端处理支持视觉和LiDAR数据的并行处理以及预积分的串行化，满足了实时运行需求。后端因子图优化包含了视觉和LiDAR节点，通过预积分因子、视觉重投影因子和LiDAR ICP因子建立了节点间的约束。考虑到Rolling Shutter效应的补偿，减少了计算误差。 符号解释方面，(⋅)w(⋅)w表示全局坐标系，(⋅)b(⋅)b表示局部坐标系，(⋅)c(⋅)c表示视觉坐标系。旋转和位移用旋转矩阵和四元数表示，同时考虑了各种传感器之间的坐标转换关系，以及IMU的零偏和加速度计的零偏。 该研究提供了一种兼顾精度、实时性和资源效率的多传感器融合里程计方法，为无人驾驶车辆的定位和导航提供了更为可靠的解决方案。