Fast-Livo：快速紧耦合的稀疏-直接雷达-惯性-视觉里程计

作者 || 吕乐章
转载 || 计算机视觉life
编辑 || 3D视觉开发者社区
✨如果觉得文章内容不错，别忘了三连支持下哦😘~

香港大学火星实验室最新的论文成果。

题目：快速紧耦合的稀疏-直接雷达-惯性-视觉里程计

英文标题：FAST-LIVO: Fast and Tightly-coupled Sparse-DirectLiDAR-Inertial-Visual Odometry
论文地址：FAST-LIVO: Fast and Tightly-coupled Sparse-DirectLiDAR-Inertial-Visual Odometry

论文介绍

多传感器融合可以实现准确和鲁棒的位姿估计，在机器人应用中具有很大的潜力。本文提出了FAST-LVIO：一种融合LiDAR-IMU-视觉的里程计系统，它由两个紧耦合的子系统构成：VIO子系统和LIO子系统。LIO子系统将当前帧扫描到的原始点（而不是特征点，例如边或平面）添加到增量点云地图。

点云地图点还附加有图像块，这些图像块会在VIO子系统中使用，通过最小化光度误差来对齐新图像，而不用提取任何视觉特征（例如，ORB或FAST角点特征）。

为了进一步提高VIO的鲁棒性和准确性，本文提出了一种孤立点剔除方法来剔除图像中的位于边缘或被遮挡的不稳定点，分别在开放数据集和自己的设备数据上进行了实验。

结果表明，本文提出的系统性能优于其他同类系统，并且能够以较低的计算量应对具有挑战性的环境。

该系统支持传统旋转激光雷达和固态激光雷达，并且可以在Intel和ARM处理器上实时运行。我们将在Github上将这项工作的代码和数据集公开。

开源代码（待上传）：https://github.com/hku-mars/FAST-LIVO

本文的贡献如下：

1、一种紧耦合的LiDAR-inertial-visual里程仪框架，它建立在两个紧耦合的里程计系统之上：LIO子系统和VIO子系统，这两个子系统都不需要提取特征，通过将各自的激光雷达或视觉数据与IMU进行融合来联合估计系统状态。

2、一种直接而有效的VIO子系统，它重用了LIO子系统的点云地图。具体地说，通过最小化光度误差，将地图中的点投影到新一帧图像上来对齐位姿。LIO子系统的点云地图在VIO子系统中的重用避免了视觉特征的提取、三角化，将两个传感器紧耦合在一起。

3、将所提出的系统代码开源，该代码可以在Intel和ARM处理器上实时运行，并且既支持旋转雷达，也支持固态雷达。

4、本文分别在开放数据集和自己的设备数据上进行了实验。结果表明，我们的系统性能优于其他同类系统，并且能够以较低的计算量工作在传感器退化的环境。

实验部分

本文的系统在剧烈运动、室内外、无纹理白墙和LiDAR退化环境中进行了测试。

在开放数据集上的实验表明，与最先进的LIO、VIO和LIVO算法相比，本文的系统可以达到更好的整体性能。

1、Benchmark 数据集

2、自己的实验设备

版权声明：本文为奥比中光3D视觉开发者社区授权转载发布，仅做学术分享，版权归原作者所有，若涉及侵权内容请联系删文

3D视觉开发者社区是由奥比中光给所有开发者打造的分享与交流平台，旨在将3D视觉技术开放给开发者。平台为开发者提供3D视觉领域免费课程、奥比中光独家资源与专业技术支持。

点击加入3D视觉开发者社区，和开发者们一起讨论分享吧~
也可以移步微信关注官方公众号 3D视觉开发者社区 ，获取更多干货知识哦~