FAST-LIVO2：高速、直接式 LiDAR-惯性-视觉里程计
摘要
本文提出 FAST-LIVO2：一个高速、直接式 LiDAR-惯性-视觉里程计框架，以实现 SLAM 任务中精准且稳健的状态估计，并在实时、载荷机器人应用中提供广阔的潜力。FAST-LIVO2 通过扩展状态误差卡尔曼滤波器（ESIKF）高效地融合 IMU、LiDAR 和图像测量数据。为解决异构 LiDAR 和图像测量数据之间的维度不匹配问题，本文采用卡尔曼滤波中的顺序更新策略。为提升效率，本文对视觉和 LiDAR 融合均采用直接方法，其中 LiDAR 模块对原始点云进行配准而无需提取边缘或平面特征，视觉模块则通过最小化直接光谱误差进行配准，而无需提取 ORB 或 FAST 角点特征。视觉和 LiDAR 测量的融合基于单一统一体素地图，其中 LiDAR 模块用于构建几何结构以配准新的 LiDAR 扫描，视觉模块则将图像块附着在 LiDAR 点上。为提高图像配准精度，FAST-LIVO2 利用体素地图中来自 LiDAR 点的平面先验（甚至可对平面先验进行细化），并在新图像配准后动态更新参考图像块。此外，为提高图像配准鲁棒性，FAST-LIVO2 采用需求式射线投射操作，并实时估计图像曝光时间。最后，本文详细阐述了 FAST-LIVO2 的三个应用场景：UAV 载荷导航展示了系统在实时载荷导航中的计算效率，空中制图展示了系统在制图精度方面的表现，3D 模型渲染（网格式和 NeRF 式）凸显了我们重构的稠密地图在后续渲染任务中的适用性。我们将在 GitHub 上开源代码、数据集和应用，以惠及机器人社区。
引用
@article{arxiv.2408.14035,
title = {FAST-LIVO2: Fast, Direct LiDAR-Inertial-Visual Odometry},
author = {Chunran Zheng and Wei Xu and Zuhao Zou and Tong Hua and Chongjian Yuan and Dongjiao He and Bingyang Zhou and Zheng Liu and Jiarong Lin and Fangcheng Zhu and Yunfan Ren and Rong Wang and Fanle Meng and Fu Zhang},
journal= {arXiv preprint arXiv:2408.14035},
year = {2024}
}
备注
30 pages, 31 figures, due to the limitation that 'The abstract field cannot exceed 1,920 characters', the abstract presented here is shorter than the one in the PDF file