目录
一、FAST-LIO
本文的三个创新点:
FAST-LIO框架
二、ikd-Tree
三、FAST-LIO2
四、FASTER-LIO
一、FAST-LIO
FAST-LIO三个创新点:
- 将IMU和雷达点特征点紧耦合在一起;
- 考虑到了运动补偿(使用反向传播);
- 将IEKF中的卡尔曼增益由原来的转变为,这样做的好处是原本公式求逆中的矩阵是观测维度的,新公式求逆中的矩阵是状态维度的,需要求逆的矩阵维度减小了(因为在实际情况中,激光特征点的数量维度要远大于状态量的维度)。
FAST-LIO框架
本文的IEKF的更新频率是基于雷达的采样频率k,一帧雷达点云估计出一个后验状态。其中状态方程是IMU离散传播。观测方程是scan-submap匹配的,特征用点和面特征。
每帧状态量会做反向传播利用△ T传播到特征点时间戳下的状态(一帧雷达点云包含若干个IMU状态,两个IMU状态之间包含若干个特征时间戳,在计算时考虑到了不同的IMU状态),将特征点经过外参和和进行运动补偿。然后将点转换到global坐标系与submap关联计算点-线,点-面的距离,这个过程是观测方程。本文将状态方程进行一阶泰勒展开。通过IEKF的方式迭代估计,直到每次迭代的增量小于阈值,表示收敛。
IEKF与EKF的区别是对状态方程进行泰勒展开后,在计算后验状态量的公式不同,最终的后验状态就是收敛时最终的
二、ikd-Tree
这篇文章翻译的不错https://blog.csdn.net/weixin_43910370/article/details/121705356
- 在point-wise和block-wise,通过对结点新加了deleted, treedeleted, pushdown,treesize, invalidnum属性,进而减小了插入,删除,检索,re-insert的时间复杂度,并达到增量更新的目的;并且能够通过设置的参数,检测到二叉树不平衡时,进行重建。
- 实验主要和静态tree进行对比,增量更新时间复杂度降低,查询复杂度烧逊色于静态tree,如下图所示:
- 在FAST-LIO系统里比较其使用static-tree和ikd-tree,系统大约运行7分钟。如下图所示:ikd-tree插入比static-tree快;查询+更新时间大约快7-8倍。
三、FAST-LIO2
- 不用线,面特征点而使用全局点云。
- 使用ESKF做前端进行点云配准。
- 使用ikd-tree存储点云。
四、FASTER-LIO
高翔组的论文,整体是在FAST-LIO2的框架上改进的。
- 前端没有使用特征点,而是使用所有点
- 使用迭代ESKF(IEKF)
- 使用ivoxel存储点云,voxel删除使用被动删除LRU,检索时考虑到voxel。在每个voxel里使用线性和PHC两种方式,点的数目多时使用PHC。
- 实验和FAST-LIO2相比,精度差不多,属于牺牲了配准的精度而减少处理时间。系统整体上在大多数的数据集上是时间减少了一半。
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)