FAST-LIO是香港大学MARS实验室提出的激光-imu里程计方法。(一些链接:github; FASTLIO论文; FASTLIO2论文;FASTLIO2作者本人的讲座) 个人认为FAST-LIO系列的主要贡献在于 将卡尔曼增益的计算效率提升(通过换一种K的计算公式),以及用iKD-tree加速kd树的构建,并尝试了不使用特征点,最终目标是将计算速度提升。 算法流...
在FAST-LIO中,设定了最小为20ms的数据采集间隔,即在一定时间内积累数据点,之后再一次性处理,使得状态估计(里程计输出)与地图更新最高可达50hz。这样一组累积的点称为扫描,处理它的时间表示为tk。从原始点中,会提取具有高局部光滑度的平面点和具有低局部光滑度的边缘点。 fast lio2,间隔更新为 10ms,即100hz ...
最近文章《Fast and Tightly-coupled Sparse-Direct LiDAR-Inertial-Visual Odometry》提出了FAST-LIVO,这是一种快速LiDAR惯性-视觉里程计系统,它建立在两个紧耦合的直接里程计子系统之上:VIO子系统和LIO子系统。LIO子系统将新扫描的原始点(而不是边缘或平面上的特征点)添加到增量构建的点云地图中...
fastlio 里程计计算方法fastlio里程计计算方法 一、 在自动驾驶和机器人领域,里程计精度直接关系到定位与建图效果。传统激光里程计(如LOAM)虽然稳定,但在高速运动或复杂场景下容易丢失特征点。FastLIO(FastLiDAR-InertialOdometry)通过融合激光雷达与惯性测量单元(IMU)数据,实现了实时性与精度的突破。举个例子,当无人...
松耦合激光雷达惯性里程计(LIO)方法通常分别处理激光雷达和IMU测量结果,并在稍后融合其结果。例如,IMU辅助LOAM[8]将从IMU测量中集成的姿态作为激光雷达扫描配准的初始估计。Zhen等人[11]使用误差状态EKF融合IMU测量和激光雷达测量的高斯粒子滤波器输出。Balazadegan等人[12]添加了IMU重力模型来估计6自由度的自我运动,以...
前面说过,fast_lio是一种里程计算法,他可以根据输入的传感器的数据,输出机器人的里程计信息等。如下图所示,fast_lio文件下的launch文件夹下,共计有四种雷达的launch文件,分别为avia、horizon、outer64、velodyne,其config文件下为这四种雷达的yaml配置文件。
FAST-LIO是一种高效的激光雷达-惯性里程计算法,它通过紧密耦合的迭代扩展卡尔曼滤波器(EKF)融合激光雷达特征点和惯性测量单元(IMU)数据,实现了高精度的位姿估计。然而,FAST-LIO本身并不直接涉及轮速的融合。 如果您想在FAST-LIO的基础上融合轮速信息,以进一步提高定位精度和鲁棒性,可以考虑以下方案: 一、数据预处理...
3、将上述优点集成到紧耦合的激光雷达-惯性里程计,并且做了大量的实验验证。实现sota的效果。 看看它 是如何碾压其他算法的! FAST-LIO2是香港大学火星实验室(MARS)发表在IEEE-RAL和IEEE-TRO的两篇论文,是一种具有高计算效率、高鲁棒性的雷达惯性里程计(LIO)。它通过紧耦合误差状态卡尔曼滤波器实现IMU和激光雷达...
一个高效的LiDAR-inertial 里程计框架. 我们融合了LiDAR特征点和IMU数据, 用紧耦合的迭代EKF. 为了降低大量观测数量导致的计算负载, 我们用了一种新的方法来计算 Kalman gain. 新的方法的计算量是基于状态量维度而不是测量维度. 我们提出的方法在很多地方测过了, 在一次扫描中用了多余1200个特征点, 一次iEKF的耗...
论文:《FAST-LIO: Fast LiDAR-Inertial Odometry with Robust Initialization》 I. 介绍同时定位与地图构建(SLAM)是移动机器人(如无人机)的基本前提。视觉(惯性)里程计(VO),如立体视觉里程计[1]和单目视觉里程计[2, 3],由于其轻量和低成本,常用于移动机器人。