LiLoc：基于自适应子图拼接与自我中心因子图的终身定位
机器人学
2024-09-17 v1
摘要
本文提出了一种通用的基于图的终身定位框架 LiLoc，该框架通过维护单一中心会话来增强时效性，并通过中心会话与附属会话之间的多模态因子来提高精度。首先，采用自适应子图拼接策略为中心会话生成先验子图（关键帧与位姿），并在需要约束以实现鲁棒定位时为附属会话提供先验。其次，在全局坐标系下利用垂直识别与 ICP 精细化对附属会话执行由粗到精的位姿初始化。为提升后续定位的精度，我们提出了一种自我中心因子图（EFG）模块，以联合优化的方式融合 IMU 预积分、LiDAR 里程计与扫描匹配因子。具体而言，扫描匹配因子由一种新颖的传播模型构建，该模型将先验约束作为边高效分配至相关的先验位姿节点，并以基于关键帧配准误差的噪声进行加权。此外，该框架支持在重定位（RLM）与增量定位（ILM）两种模式间灵活切换，基于所提出的基于重叠的机制从中心会话中选择或更新先验子图。所提出的 LiLoc 在公开数据集与自定义数据集上进行了测试，结果表明其定位精度优于现有方法。我们的代码将在 https://github.com/Yixin-F/LiLoc 上公开。
引用
@article{arxiv.2409.10172,
title = {LiLoc: Lifelong Localization using Adaptive Submap Joining and Egocentric Factor Graph},
author = {Yixin Fang and Yanyan Li and Kun Qian and Federico Tombari and Yue Wang and Gim Hee Lee},
journal= {arXiv preprint arXiv:2409.10172},
year = {2024}
}
备注
conference