激光雷達與IMU的松耦合定位策略，巧妙融合了激光里程計與IMU航位推算技術(shù)。兩者獨立運作，依托卡爾曼濾波、粒子濾波等先進框架，實現(xiàn)精準信息融合，最終精確輸出定位結(jié)果。2019年，國助科技BXue團隊創(chuàng)新性地提出IMU-AHFLO算法，該算法憑借點線特征或點云分布特征匹配的激光里程計，捕捉車輛在兩幀點云間的位姿變化，隨后，高頻IMU數(shù)據(jù)攜手車輛運動學方程，預測上述時刻的位姿變遷，最終，卡爾曼濾波器精準估算車輛新姿態(tài)。南昌大學的廖杰華則另辟蹊徑，將LOAM算法與自適應粒子濾波技術(shù)巧妙結(jié)合，專為無人物流小車打造室內(nèi)定位新方案。而Google的Cartographer算法，更是以分層優(yōu)化為核心，前端運用無跡卡爾曼濾波器實現(xiàn)2D激光雷達與IMU數(shù)據(jù)的無縫融合，后端則聚焦于子地圖構(gòu)建與優(yōu)化，輔以分支定界法，顯著加速閉環(huán)檢測，確保定位系統(tǒng)的高效與精準。
激光雷達與IMU的緊耦合定位技術(shù)，相較于松耦合方式，顯著減少了信息損失。這一創(chuàng)新方法將激光雷達與IMU數(shù)據(jù)融合于同一位姿優(yōu)化問題中，實現(xiàn)了更為精準的位姿估計。緊耦合定位策略可細化為基于濾波器與平滑優(yōu)化兩大流派。基于濾波器的方法，在狀態(tài)更新中無縫整合多源傳感器數(shù)據(jù)，如H. Sebastian等先驅(qū)者利用自適應擴展卡爾曼濾波器，成功將3D激光雷達與GPS/INS融合，賦能無人小車室外精準導航。然而，濾波器固有的線性化近似與遞推機制，隨時間推移易累積誤差，影響長期定位精度。為克服此局限，香港科技大學機器人與多感知實驗室的C. Qin團隊在ICRA 2020上隆重推出LINS算法，該算法采用迭代誤差狀態(tài)卡爾曼濾波器，深度融合激光雷達與IMU數(shù)據(jù)，通過持續(xù)校正系統(tǒng)狀態(tài)誤差，實現(xiàn)了車輛實時、高精度的定位與建圖，為緊耦合定位技術(shù)樹立了新的里程碑。
MU-AHFLO 算法：聚焦于LDAR+IMU融合策略中極具代表性的IMU輔助高頻LDAOdmery（簡稱MULAHFLO）算法，深入其量測與融合機制。相較于緊密耦合方案中復雜的IMU預積分與因子圖等理論框架，基于EKF的長時耦合模型展現(xiàn)了其簡潔性。為深化理解，本節(jié)將細致剖析wXur等人在MULAHFLO算法中的公式推導精髓。核心目標是融合IMU與激光雷達數(shù)據(jù)，以精準捕捉車輛的實時位姿信息。為此，首要任務是明確求解流程中不可或缺的三個坐標系定義，具體構(gòu)建如圖12-1清晰展示。此步驟為數(shù)據(jù)融合奠定了堅實的理論基礎(chǔ)，確保后續(xù)處理能夠精準無誤地跨越不同坐標空間，實現(xiàn)高精度的位姿估計。
IML-AHFLO算法：聚焦于IML-AHFLO算法，深入剖析了IMU與LiDAR如何通過卡爾曼濾波框架實現(xiàn)松耦合定位的精妙機制。鑒于IMU與LiDAR在車輛位置計算上的原理迥異，其失效模式亦不相同，因此，二者的融合策略巧妙地彌補了各自的不足。具體而言，鑒于IMU/輪速計數(shù)據(jù)的高頻特性與激光里程計的低頻特性，IML-AHFLO算法巧妙地利用IMU/輪速計數(shù)據(jù)結(jié)合車輛運動狀態(tài)方程，對車輛位置進行前瞻預測，并借助激光里程計的輸出作為觀測依據(jù)，最終通過卡爾曼更新流程，精準地估算出車輛的后驗狀態(tài)。然而，此松耦合策略雖原理簡明且易于實現(xiàn)，但在高效利用IMU與LiDAR數(shù)據(jù)方面略顯不足，且IMU測量誤差的累積效應可能削弱算法精度，此時，IMU與LiDAR的緊耦合定位策略便顯得尤為重要。
WO-SAM算法：由麻省理工學院T.Shan等人在2020年匠心獨運的杰作。LIO-SAM旨在依托因子圖優(yōu)化框架，實現(xiàn)激光雷達、IMU與GPS的實時、穩(wěn)定且高精度的融合定位，其開源代碼已在GitHub上開放共享。為深入理解該算法，我們需先掌握因子圖優(yōu)化與IMU預積分技術(shù)的基礎(chǔ)理論，隨后再逐步揭開LIO-SAM算法的神秘面紗。
因子圖優(yōu)化：因子圖，這一無向概率圖的杰出代表，源自Kschischang等人在信道編碼領(lǐng)域?qū)anner圖、Wiberg圖等模型的深刻洞察與創(chuàng)新。因子圖以其獨特的因式分解能力，將復雜系統(tǒng)的全局函數(shù)拆解為多個簡潔的局部函數(shù)乘積，并通過“和-積”算法清晰地勾勒出系統(tǒng)狀態(tài)變量間的信息傳遞脈絡。在統(tǒng)計推斷、譯碼編碼、實時定位等多個領(lǐng)域，因子圖均展現(xiàn)出廣泛的應用價值。其結(jié)構(gòu)由變量節(jié)點與因子節(jié)點構(gòu)成，二者通過無向邊緊密相連，共同編織出系統(tǒng)狀態(tài)的精密網(wǎng)絡。在SLAM領(lǐng)域，因子圖更是以其獨特的優(yōu)勢，助力我們更高效地解析與定位復雜環(huán)境。