整体融合：面向任务与场景的机器人定位与状态估计

在具有挑战性的环境中，移动机器人的平滑运行需要实现低延迟的局部运动估计（如动态机动）和准确的全局定位（如路径规划）。虽然大多数现有传感器融合方法针对特定场景设计，但本工作引入一种灵活的开源解决方案，用于面向任务与场景的多模态传感器融合，该方案以其通用性和可用性为显著特征。整体融合 (Holistic Fusion) 将传感器融合形式化为 i) 局部与全局机器人状态以及 ii) 多个动态上下文变量（包括自动参考坐标系对齐）的联合估计问题；该表述在无需任何概念性修改的情况下适用于数不清的实际应用场景。所提出的因子图解决方案通过将任意数量的绝对、局部和地标测量（以不同参考坐标系表示）显式包含作为优化中的状态变量，并将其演化建模为随机漫步，从而实现对这些测量的直接融合。此外，特别关注局部平滑性和一致性，以防止机器人状态信念出现跳跃。HF 能在典型机器人硬件上实现低延迟且平滑的在线状态估计，同时在 IMU 测量率下提供低漂移的全局定位。在三个具有不同任务需求的机器人平台上，分别在五个实际场景中验证了该框架的有效性。