點云PCL免費知識星球，點云論文速讀。

標題：LIC-Fusion 2.0: LiDAR-Inertial-Camera Odometry with Sliding-Window Plane-Feature Tracking

作者：Xingxing Zuo1;2, Yulin Yang3, Patrick Geneva3, Jiajun Lv2, Yong Liu2, Guoquan Huang3, Marc Pollefeys

來源：分享者

歡迎各位加入免費知識星球，獲取PDF論文，歡迎轉發朋友圈分享快樂。

論文閱讀模塊將分享點云處理，SLAM，三維視覺，高精地圖相關的文章。公眾號致力于理解三維視覺領域相關內容的干貨分享，歡迎各位加入我，我們一起每天一篇文章閱讀，開啟分享之旅,有興趣的可聯系微信dianyunpcl@163.com。

摘要

本文在前人工作（即LIC-Fusion）的基礎上，開發了一種基于滑動窗濾波器的具有在線時空校準功能的LiDAR慣性相機里程計（LIC Fusion 2.0），提出了一種新的滑動窗口平面特征跟蹤方法，以有效地處理三維LiDAR點云。特別是利用IMU數據對LiDAR點進行運動補償后，通過滑動窗口提取和跟蹤低曲率平面點。針對高質量的數據關聯問題，提出了一種新的孤立點抑制準則。該方法只利用跟蹤到的同一平面上的點進行平面初始化，使得平面提取具有高效性和魯棒性。此外，我們對LiDAR-IMU子系統進行了可觀測性分析，并報告了利用平面特征進行時空校準的退化情況。通過仿真驗證了蒙特卡羅方法和其它方法的一致性。

提出的具有滑動窗口平面特征跟蹤的lic-fusion2.0。激光雷達穩定跟蹤的SLAM地標平面和攝像機的SLAM 特征點用紅色表示。

主要內容

主要貢獻如下：

? 開發了一種新的滑動窗口平面特征跟蹤算法，該算法允許在滑動窗口內通過多個激光雷達掃描來跟蹤三維環境平面特征。該跟蹤算法被最佳地集成到我們先前的緊耦合融合框架：LIC-fusion。對于所提出的平面跟蹤，提出了一種新的外點抑制準則，該準則考慮了激光雷達幀間的變換不確定性，從而實現了魯棒匹配。該系統能合理地模擬激光雷達測量的不確定度，消除了激光雷達掃描匹配中容易出現的不一致現象。

? 對具有平面特征的激光雷達慣性相機系統進行了深入的可觀測性分析，并確定了導致系統具有額外不可觀測方向的退化情況。

? 在一系列蒙特卡羅模擬和真實世界數據集上對擬議的LIC-Fusion 2.0進行了廣泛的實驗，驗證了所提議系統的一致性和準確性。

激光雷達平面跟蹤算法處理過程

LIC Fusion 2.0激光雷達處理算法流程

實驗

使用多傳感器平臺，包括一個Velodyne VLP-16、一個Xsens IMU和一個全局快門式單目相機。所有的傳感器都是異步發布的，所有的時間偏移都是在線估計的，初始猜測為零。圖像處理流程是基于我們之前的工作OpenVINS，而激光雷達處理流程是在本工作中提出的。

左圖：模擬房間有結構平面（藍色）、16束激光雷達點（黃色）、SLAM點地標（紅點）、SLAM平面地標（紅色補丁）、估計（綠色）和地面真實（青色）軌跡。

KITTI 00數據集的定位誤差比較

總結

本文提出了一種魯棒、高效的滑動窗口平面特征跟蹤算法來處理三維激光雷達點云。將該跟蹤算法集成到我們先前的LIC-Fusion估計器中，得到了性能改進的LIC Fusion 2.0。特別是在所提出的平面特征跟蹤過程中，我們提出了一種新的野值抑制準則，通過考慮激光雷達幀變換的不確定性來提高特征匹配質量。此外，我們還深入研究了線性化的LIC系統模型的可觀測性，識別了具有平面特征的時空LiDAR IMU標定退化情況。所提出的方法已在模擬和實際數據集上進行了驗證，并顯示出比現有算法更高的精度。

資源

三維點云論文及相關應用分享

【點云論文速讀】基于激光雷達的里程計及3D點云地圖中的定位方法

3D目標檢測：MV3D-Net

三維點云分割綜述（上）

3D-MiniNet: 從點云中學習2D表示以實現快速有效的3D LIDAR語義分割（2020）

win下使用QT添加VTK插件實現點云可視化GUI

JSNet：3D點云的聯合實例和語義分割

大場景三維點云的語義分割綜述

PCL中outofcore模塊---基于核外八叉樹的大規模點云的顯示

基于局部凹凸性進行目標分割

基于三維卷積神經網絡的點云標記

點云的超體素(SuperVoxel)

基于超點圖的大規模點云分割

更多文章可查看：點云學習歷史文章大匯總

SLAM及AR相關分享

【開源方案共享】ORB-SLAM3開源啦！

【論文速讀】AVP-SLAM：自動泊車系統中的語義SLAM

【點云論文速讀】StructSLAM:結構化線特征SLAM

SLAM和AR綜述

常用的3D深度相機

AR設備單目視覺慣導SLAM算法綜述與評價

SLAM綜述(4)激光與視覺融合SLAM

Kimera實時重建的語義SLAM系統

SLAM綜述(3)-視覺與慣導，視覺與深度學習SLAM

易擴展的SLAM框架-OpenVSLAM

高翔：非結構化道路激光SLAM中的挑戰

SLAM綜述之Lidar SLAM

基于魚眼相機的SLAM方法介紹

往期線上分享錄播匯總

第一期B站錄播之三維模型檢索技術

第二期B站錄播之深度學習在3D場景中的應用

第三期B站錄播之CMake進階學習

第四期B站錄播之點云物體及六自由度姿態估計

第五期B站錄播之點云深度學習語義分割拓展

第六期B站錄播之Pointnetlk解讀

[線上分享錄播]點云配準概述及其在激光SLAM中的應用

[線上分享錄播]cloudcompare插件開發

[線上分享錄播]基于點云數據的?Mesh重建與處理

[線上分享錄播]機器人力反饋遙操作技術及機器人視覺分享

[線上分享錄播]地面點云配準與機載點云航帶平差

點云PCL更多活動請查看：點云PCL活動之應屆生校招群

掃描下方微信視頻號二維碼可查看最新研究成果及相關開源方案的演示：

如果你對本文感興趣，請點擊“原文閱讀”獲取知識星球二維碼，務必按照“姓名+學校/公司+研究方向”備注加入免費知識星球，免費下載pdf文檔，和更多熱愛分享的小伙伴一起交流吧！

以上內容如有錯誤請留言評論，歡迎指正交流。如有侵權，請聯系刪除

掃描二維碼

? ? ? ? ? ? ? ? ? ?關注我們

讓我們一起分享一起學習吧！期待有想法，樂于分享的小伙伴加入免費星球注入愛分享的新鮮活力。分享的主題包含但不限于三維視覺，點云，高精地圖，自動駕駛，以及機器人等相關的領域。

分享及合作方式：群主微信“920177957”（需要按要求備注） 聯系郵箱：dianyunpcl@163.com，歡迎企業來聯系公眾號展開合作。

點一下“在看”你會更好看耶

總結

以上是生活随笔為你收集整理的LIC Fusion 2.0：滑动窗口法平面特征跟踪的激光雷达惯性相机里程计的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。