椭圆表示下的自适应 LiDAR 惯性里程计

LiDAR 惯性里程计 (LIO) 是许多需要不依赖外部定位（例如 GPS）即可导航的移动机器人中的关键组件。不同环境中且具有异构 LiDAR 传感器的平台，需要一种能够适应这些不同情景且无需人工干预的 LIO 方法。现有的 LIO 方法通常能够在环境和传感器相似且经过合适调校时提供可靠且准确的里程计，但在保持跨异构环境和传感器的稳健里程计方面，同时保持一致配置时，许多方法难以做到。本文提出了 EllipseLIO，一种实时的 LIO 方法，通过采用适用于传感器能力和环境的方法进行 LiDAR 扫描滤波和配准，以实现情景之间的通用性，无需情景特定的调校。我们对 EllipseLIO 和最新 LIO 方法在五个具有多样性和挑战性情景的数据集上进行了实验，结果显示 EllipseLIO 在整体上表现最佳。它平均比第二名方法低 38% 的里程计误差，并且是唯一在任何实验中都不发散的唯一方法。EllipseLIO 的开源版本将在 github.com/v4rl-ucy/ellipselio 上提供。