《智能駕駛之激光雷達算法詳解》激光雷達 +IMU組合定位

jinchanchanwaji

激光里程計算法，僅憑激光點云估算激光雷達的運動狀態，其精度顯著受激光點云質量波動影響。IMU（慣性測量單元），作為廣泛應用于機器人及汽車領域的傳感器，集成了陀螺儀與加速度計，能精確捕捉并輸出被測物體的角速度與加速度信息，進而通過積分運算推算出其在一定時間內的姿態與位置變化。然而，IMU在實際運作中易受多種干擾因素影響，尤其是加速度計的誤差會隨時間累積，導致導航精度下降。因此，常需借助外部信息融合策略，以強化IMU的定位精度。鑒于激光里程計依賴低頻的環境感知進行定位，而IMU則通過高頻的自身運動狀態積分進行位姿估計，兩者在功能上存在天然的互補性。眾多學者因此致力于將激光里程計與IMU相結合，以實現高精度、實時性的定位。根據融合方式與原理的不同，這一領域的研究被細化為LiDAR+IMU松耦合與緊耦合兩大方向。         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。兩者獨立運作，依托卡爾曼濾波、粒子濾波等先進框架，實現精準信息融合，最終精確輸出定位結果。2019年，國助科技BXue團隊創新性地提出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數據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。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巧妙結合，專為無人物流小車打造室內定位新方案。而Google的Cartographer算法，更是以分層優化為核心，前端運用無跡卡爾曼濾波器實現2D激光雷達與IMU數據的無縫融合，后端則聚焦于子地圖構建與優化，輔以分支定界法，顯著加速閉環檢測，確保定位系統的高效與精準。         激光雷達與IMU的緊耦合定位技術，相較于松耦合方式，顯著減少了信息損失。這一創新方法將激光雷達與IMU數據融合于同一位姿優化問題中，實現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化兩大流派。基于濾波器的方法，在狀態更新中無縫整合多源傳感器數據，如H. Sebastian等先驅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卡爾曼濾波器，深度融合激光雷達與IMU數據，通過持續校正系統狀態誤差，實現了車輛實時、高精度的定位與建圖，為緊耦合定位技術樹立了新的里程碑。         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了其簡潔性。為深化理解，本節將細致剖析wXur等人在MULAHFLO算法中的公式推導精髓。核心目標是融合IMU與激光雷達數據，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，具體構建如圖12-1清晰展示。此步驟為數據融合奠定了堅實的理論基礎，確保后續處理能夠精準無誤地跨越不同坐標空間，實現高精度的位姿估計。         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/輪速計數據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/輪速計數據結合車輛運動狀態方程，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，最終通過卡爾曼更新流程，精準地估算出車輛的后驗狀態。然而，此松耦合策略雖原理簡明且易于實現，但在高效利用IMU與LiDAR數據方面略顯不足，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旨在依托因子圖優化框架，實現激光雷達、IMU與GPS的實時、穩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化與IMU預積分技術的基礎理論，隨后再逐步揭開LIO-SAM算法的神秘面紗。         因子圖優化：因子圖，這一無向概率圖的杰出代表，源自Kschischang等人在信道編碼領域對Tanner圖、Wiberg圖等模型的深刻洞察與創新。因子圖以其獨特的因式分解能力，將復雜系統的全局函數拆解為多個簡潔的局部函數乘積，并通過“和-積”算法清晰地勾勒出系統狀態變量間的信息傳遞脈絡。在統計推斷、譯碼編碼、實時定位等多個領域，因子圖均展現出廣泛的應用價值。其結構由變量節點與因子節點構成，二者通過無向邊緊密相連，共同編織出系統狀態的精密網絡。在SLAM領域，因子圖更是以其獨特的優勢，助力我們更高效地解析與定位復雜環境。

最近組里有崗位，需要大量招聘汽車設計師，具體要求如下：
內外飾數字模型工程師      
1、負責內飾全倉數字模型設計工作
2、對內飾零部件有充分了解、IP、門板、console等零部件
3、負責內飾IP、門板、座椅、console、頂棚、立柱等零部件的設計工作
4、掌握內飾零部件之間的配合關系，并完整表達設計意圖。      

要求
1、大專及以上學歷，藝術設計、工業設計相關專業
2、熟練使用ALIAS軟件
3、 測試A級至少5-8年實際CAS、A面設計工作經驗 測試B級至少3-5年CAS、A面設計工作經驗
4、善于團隊合作、有責任心、敢于擔當、工作主動積極
有意者戳汽車造型/產品設計師社會招聘-表單-金數據 (jsj.top)