PG-LIO：基于光度-几何融合的鲁棒雷达-惯性里程计

雷达-惯性里程计（LiDAR-Inertial Odometry, LIO）广泛应用于需要精确状态估计和映射的自主机器人场景。传统 LIO 方法通常依赖于从雷达采样的几何结构构建约束条件。因此，在缺乏几何结构的情况下，这些方法容易出现欠条件（退化）并失败。LIO 对此类情形的鲁棒性是其更广泛部署的必要条件。为此，本文提出 PG-LIO，一种实时的 LIO 方法，融合了雷达采集的光度信息和几何信息，以及来自惯性测量单元（IMU）的惯性约束。这种多模态信息被整合到一个在滑动窗口上进行优化的因子图中，以实现实时运行。我们在包含几何良好条件和自相似场景的多个数据集上评估了 PG-LIO。在几何结构良好的场景中，本方法的精度与最新 LIO 方法相当，但在退化场景（包括与也融合强度信息的方法）中精度显著提升。值得注意的是，我们在一段平均速度为 7.5m/s（最高速度 10.8 m/s）的几何自相似隧道中人工驾驶的 1 公里航线上仅出现 1 米的漂移。为了 benefit 社区，本文将发布源代码 https://github.com/ntnu-arl/mimosa。