基于因子图优化的紧耦合 LiDAR-IMU-轮式里程计及其在线神经运动模型学习
机器人学
2025-04-24 v5
摘要
缺乏几何特征（如隧道和长直走廊）的环境对基于 LiDAR 的里程计算法构成挑战，因为在此类环境中 LiDAR 点云会退化。对于轮式机器人而言，轮式运动模型（即轮式里程计）可提高里程计估计的可靠性。然而，在偏向轮的机器人中，尤其是由于该机器人模型通过滑动轮子来实现旋转，运动模型会受到复杂运动（如轮子打滑、横向移动）的影响。此外，这些误差在轮子打滑较大（如漂移）时会呈非线性变化，并且受地形依赖参数的影响。为同时解决点云退化和运动模型误差问题，本文开发了一种集成在线神经网络学习轮式机器人运动模型的 LiDAR-IMU-轮式里程计算法。我们提出在因子图上联合训练神经网络，以适应当前地形条件。该方法在统一的因子图上联合进行神经网络在线训练和 LiDAR-IMU-轮式里程计求解，以保持所有约束的一致性。通过实验，我们首先验证了所提网络能适应变化环境，实现跨不同环境的精准里程计估计。随后我们确认，所提里程计算法对点云退化和运动模型非线性（如因漂移导致的大尺度轮打滑）具有鲁棒性。摘要视频可在此处查看：https://www.youtube.com/watch?v=CvRVhdda7Cw
引用
@article{arxiv.2407.08907,
title = {Tightly-Coupled LiDAR-IMU-Wheel Odometry with an Online Neural Kinematic Model Learning via Factor Graph Optimization},
author = {Taku Okawara and Kenji Koide and Shuji Oishi and Masashi Yokozuka and Atsuhiko Banno and Kentaro Uno and Kazuya Yoshida},
journal= {arXiv preprint arXiv:2407.08907},
year = {2025}
}
备注
Accepted by the journal, Robotics and Autonomous Systems