日本无码免费高清在线|成人日本在线观看高清|A级片免费视频操逼欧美|全裸美女搞黄色大片网站|免费成人a片视频|久久无码福利成人激情久久|国产视频一二国产在线v|av女主播在线观看|五月激情影音先锋|亚洲一区天堂av

  • 手機(jī)站
  • 小程序

    汽車測(cè)試網(wǎng)

  • 公眾號(hào)

    • 汽車測(cè)試網(wǎng)

    • 在線課堂

    • 電車測(cè)試

FAST-LIO2: 快速直接的激光雷達(dá)-慣性里程計(jì)

2021-09-12 21:53:49·  來源：同濟(jì)智能汽車研究所  
　
重建方法如算法4所示。當(dāng)違反平衡準(zhǔn)則且子樹的樹大小小于預(yù)定值Nmax時(shí)，子樹將在主線程中被重建；否則，子樹在第二個(gè)線程中被重新構(gòu)建。第二個(gè)線程上的重建算法如函數(shù)ParRebuild所示。將第二個(gè)線程中要重建的子樹表示為Г，將其根節(jié)點(diǎn)表示為T。第二個(gè)線程將鎖定所有增量更新（即點(diǎn)插入和刪除），但不查詢?cè)撟訕洌ǖ?2行）。然后，第二個(gè)線程將包含在子樹Г中的所有有效點(diǎn)復(fù)制到點(diǎn)數(shù)組V中（即，展平），同時(shí)保持原始子樹不變，以便在重建過程中進(jìn)行可能的查詢（第13行）。展平后，原始子樹被解鎖，以便主線程接受進(jìn)一步的增量更新請(qǐng)求(第14行)。這些請(qǐng)求將同時(shí)被記錄在一個(gè)名為操作記錄器的隊(duì)列中。一旦第二個(gè)線程完成了從點(diǎn)數(shù)組V構(gòu)建一個(gè)新的平衡k-d樹Г'的這一過程（第15行），記錄的更新請(qǐng)求將通過函數(shù)IncrementalUpdates（第16-18行）在Г'上再次執(zhí)行。請(qǐng)注意，當(dāng)并行重建開關(guān)已經(jīng)在第二個(gè)線程中時(shí)，它會(huì)被設(shè)置為false。在所有待處理的請(qǐng)求被處理后，原始子樹Г上的點(diǎn)信息與新子樹Г'上的點(diǎn)信息完全相同，除了新子樹的樹結(jié)構(gòu)比原始子樹更加平衡。該算法從增量更新和查詢中鎖定節(jié)點(diǎn)T，并將其替換為新的T'（第20-22行）。最后，該算法釋放原始子樹的內(nèi)存（第23行）。這種設(shè)計(jì)確保了在第二個(gè)線程的重建過程中，主線程中的建圖過程仍然以里程計(jì)頻率進(jìn)行，而沒有任何的中斷，盡管此時(shí)的效率由于暫時(shí)不平衡的k-d樹結(jié)構(gòu)變得較低。需要注意的是，LockUpdates函數(shù)不會(huì)阻礙查詢，查詢可以在主線程中并行進(jìn)行。相比之下，LockAl函數(shù)會(huì)阻止所有訪問，包括查詢，但它完成得非常快（即，只有一條指令），從而允許在主線程中進(jìn)行及時(shí)查詢。函數(shù)LockUpdates和LockAll是通過互斥（mutex）方式實(shí)現(xiàn)的。
 
 
E. K-最近鄰搜索
盡管與那些著名的k-d樹庫[43]-[45]中的現(xiàn)有實(shí)例有些類似，但最近臨搜索算法在ikd-Tree上被徹底優(yōu)化。使用[41]中詳述的“bounds-overlap-ball”測(cè)試，可以很好地利用樹節(jié)點(diǎn)上的距離信息來加速最近鄰搜索。我們維護(hù)一個(gè)優(yōu)先級(jí)隊(duì)列q來存儲(chǔ)迄今為止遇到的k個(gè)最近的鄰居以及它們到目標(biāo)點(diǎn)的距離。當(dāng)從樹的根節(jié)點(diǎn)遞歸向下搜索樹時(shí)，算法首先計(jì)算從目標(biāo)點(diǎn)到樹節(jié)點(diǎn)長方體CT的最小距離dmin。如果最小距離dmin不小于q中的最大距離，則無需處理該節(jié)點(diǎn)及其后代節(jié)點(diǎn)。此外，在 FAST-LIO2（和許多其他激光雷達(dá)里程計(jì)）中，只有當(dāng)相鄰點(diǎn)在目標(biāo)點(diǎn)周圍的給定閾值內(nèi)時(shí)，它才會(huì)被視為內(nèi)聯(lián)點(diǎn)，并被用于狀態(tài)估計(jì)，這自然為k最近鄰的遠(yuǎn)程搜索提供了最大搜索距離[43]。在任何一種情況下，遠(yuǎn)程搜索都會(huì)通過將dmin與最大距離進(jìn)行比較來刪減算法，從而減少回溯量以提高時(shí)間性能。需要注意的是，我們的ikd-Tree支持多線程 k-近鄰搜索并行計(jì)算架構(gòu)。
F. 時(shí)間復(fù)雜度分析
ikd-Tree的時(shí)間復(fù)雜度可分為增量操作（插入和刪除）、重建和k-最近鄰搜索的時(shí)間。請(qǐng)注意，所有分析都是在低維度的假設(shè)下提供的（例如，F(xiàn)AST-LIO2 中的三個(gè)維度）。
1）增量操作：由于樹上的下采樣的插入依賴于框式刪除和框式搜索，所以我們首先討論框式的操作。假設(shè)n表示ikd-Tree的樹大小，ikd-Tree上框式操作的時(shí)間復(fù)雜度為：
引理1. 假設(shè)ikd-Tree上的點(diǎn)在3-d空間Sx×Sy×Sz中，操作長方體為 CD = Lx×Ly×Lz。用長方體CD實(shí)施算法3的框式刪除和搜索的時(shí)間復(fù)雜度為：
 
 
a,b,c≥0.?min,?med和?max分別是a、b、c中的最小值、中值和最大值。α(u)，u∈[0,1]是flajolet-puech函數(shù)，其中提供了特定值：α(1/3)=0.7162和α(2/3)=0.3949。
證明：[56]中提供了k-d樹上軸對(duì)齊超立方體范圍搜索的漸近時(shí)間復(fù)雜度。除了懶惰標(biāo)簽附加到樹節(jié)點(diǎn)之外，框式刪除可以被視為范圍搜索，這是O(1)。因此，范圍搜索的結(jié)論可以應(yīng)用于ikd-Tree上的框式刪除和搜索，這產(chǎn)生了O(H(n))。
樹上的下采樣插入的時(shí)間復(fù)雜度為：
引理2. 在ikd-Tree上的算法2中使用樹上的下采樣的點(diǎn)插入的時(shí)間復(fù)雜度為O(logn)。
證明。ikd-Tree上的下采樣方法由框式搜索和點(diǎn)插入后的刪除組成。通過應(yīng)用引理1，下采樣的時(shí)間復(fù)雜度為O(H(n))。通常，下采樣立方體CD與整個(gè)空間相比非常小。因此，歸一化范圍Δx、Δy和Δz很小，Δmin的值滿足時(shí)間復(fù)雜度為O(logn)的條件(*)
ikd-Tree的最大高度可以很容易地從方程(17)中證明為
。而靜態(tài)k-d樹的值為log2n。因此引理直接從[40]中獲得，其中k-d樹上點(diǎn)插入的時(shí)間復(fù)雜度被證明為O(logn)?？偨Y(jié)下采樣和插入的時(shí)間復(fù)雜度得出結(jié)論，使用樹上的下采樣的點(diǎn)插入的時(shí)間復(fù)雜度為O(logn)。
2）重建：重建的時(shí)間復(fù)雜度分為單線程重建和并行雙線程重建兩種。在前一種情況下，重建是由主線程遞歸執(zhí)行的。每個(gè)級(jí)別都花費(fèi)排序時(shí)間（即O(n)），當(dāng)維度k較低時(shí)，logn級(jí)別上的總時(shí)間為O(nlogn)[40]。對(duì)于并行重建，主線程消耗的時(shí)間只是扁平化（這使得主線程暫停進(jìn)一步增量更新，算法4，第12-14行）和樹更新（需要恒定時(shí)間O(1)，算法4，第20-22行）但沒有構(gòu)建（由第二個(gè)線程并行執(zhí)行，算法4，第15-18行），擁有的時(shí)間復(fù)雜度為O(n)（從主線程看）?？傊?，重建ikd-Tree的時(shí)間復(fù)雜度對(duì)于雙線程并行重建為O(n)，對(duì)于單線程重建為O(nlogn)。
3）K-最近鄰搜索：由于ikd-Tree的最大高度保持不大于
，其中n為樹的大小，從根節(jié)點(diǎn)向下搜索到葉子節(jié)點(diǎn)的時(shí)間復(fù)雜度為O(logn)。在樹上搜索k最近鄰的過程中，回溯的次數(shù)與常數(shù)成正比，該常數(shù)與樹的大小無關(guān)[41]。因此，在ikd-Tree上獲得k最近鄰的預(yù)期時(shí)間復(fù)雜度為O(logn)。
 
6 基準(zhǔn)實(shí)驗(yàn)結(jié)果
在此部分中，我們?cè)诟鞣N開放數(shù)據(jù)集上進(jìn)行了準(zhǔn)確性、魯棒性和計(jì)算效率方面的大量實(shí)驗(yàn)。我們首先對(duì)比其他數(shù)據(jù)結(jié)構(gòu)，評(píng)估了我們的數(shù)據(jù)結(jié)構(gòu)ikd-樹，在18個(gè)不同大小的數(shù)據(jù)集序列上進(jìn)行了kNN搜索。然后在VI-C部分，我們比較了FAST-LIO2在19個(gè)序列上的準(zhǔn)確性和處理時(shí)間。所有序列都是從固態(tài)激光雷達(dá)[15]和旋轉(zhuǎn)激光雷達(dá)收集的5個(gè)不同數(shù)據(jù)集中選擇的。第一個(gè)數(shù)據(jù)集來自LILI-OM[17]，由固態(tài)3D激光雷達(dá)LivoxHorizon4收集，它具有非重復(fù)掃描模式和81.7°（水平）×25.1°（垂直）視場(chǎng)，典型的掃描頻率為10赫茲，第一個(gè)數(shù)據(jù)集簡稱lili。陀螺儀和加速度計(jì)測(cè)量值由6軸XsensMTi-670IMU以200Hz的頻率采樣。數(shù)據(jù)是在具有結(jié)構(gòu)化場(chǎng)景的大學(xué)校園和城市街道中記錄的。第二個(gè)數(shù)據(jù)集來自MIT校園的LIO-SAM[30]，包含由以10Hz采樣的VLP-16激光雷達(dá)5和以1000Hz采樣的MicroStrain3DM-GX5-259軸IMU收集的多個(gè)序列，第三個(gè)數(shù)據(jù)集簡稱為liosam。它包含不同類型的場(chǎng)景，包括校園內(nèi)的結(jié)構(gòu)化建筑和森林。第三個(gè)數(shù)據(jù)集“utbm”[57]由最高達(dá)50公里/小時(shí)速度的有人駕駛機(jī)器車收集，該車具有兩個(gè)10HzVelodyneHDL-32E激光雷達(dá)和100HzXsensMTi-28A53G25IMU。在本文中，我們只考慮左側(cè)的激光雷達(dá)。第四個(gè)數(shù)據(jù)集“ulhk”[58]包含來自VelodyneHDL-32E的10Hz激光雷達(dá)數(shù)據(jù)和來自9軸XsensMTi-10IMU的100HzIMU數(shù)據(jù)。來自u(píng)tbm和ulhk的所有序列都是由有人駕駛車輛在結(jié)構(gòu)化的城市區(qū)域中收集的，而ulhk也包含許多移動(dòng)車輛。最后一個(gè)數(shù)據(jù)集“nclt”[59]，是在密歇根大學(xué)北校區(qū)收集的大規(guī)模、長期的自主UGV（無人地面車輛）數(shù)據(jù)集。nclt數(shù)據(jù)集包含來自VelodyneHDL-32E激光雷達(dá)的10Hz數(shù)據(jù)和來自MicrostrainMS25IMU的50Hz數(shù)據(jù)。與其他數(shù)據(jù)集相比，nclt數(shù)據(jù)集的持續(xù)時(shí)間和數(shù)據(jù)量要長得多，并且包含多個(gè)開放場(chǎng)景，例如大型開放停車場(chǎng)。包括傳感器類型和數(shù)據(jù)速率在內(nèi)的數(shù)據(jù)集信息總結(jié)在表2中。這部分中使用的所有37個(gè)序列的詳細(xì)信息，包括名稱、持續(xù)時(shí)間和距離記錄在附錄A的表8中。
表2 基準(zhǔn)測(cè)試數(shù)據(jù)集
 
 
為了讓LIO-SAM能工作，nclt數(shù)據(jù)集中的IMU頻率通過零階插值從50Hz增加到100Hz
A.實(shí)現(xiàn)過程
我們?cè)贑++和機(jī)器人操作系統(tǒng)(ROS)中實(shí)現(xiàn)了提出的FAST-LIO2系統(tǒng)。迭代卡爾曼濾波器是基于我們之前工作[55]中介紹的IKFOM工具箱實(shí)現(xiàn)的。在默認(rèn)配置中，局部地圖大小L選擇為1000m，激光雷達(dá)原始點(diǎn)在1:4（四個(gè)激光雷達(dá)點(diǎn)之一）時(shí)間下采樣后直接用于狀態(tài)估計(jì)。此外，所有實(shí)驗(yàn)的空間下采樣分辨率（見算法2）均設(shè)置為l=0.5m。ikd-樹的參數(shù)設(shè)置為αbal=0.6，αdel=0.5，Nmax=1500?；鶞?zhǔn)比較的計(jì)算平臺(tái)是輕量級(jí)無人機(jī)機(jī)載計(jì)算機(jī)：DJIManifold2-C，它有1.8GHz四核Inteli7-8550UCPU和8GB內(nèi)存。對(duì)于FAST-LIO2，我們還在ARM處理器上對(duì)其進(jìn)行了測(cè)試，該處理器通常用于降低功耗和成本的嵌入式系統(tǒng)。ARM平臺(tái)是KhadasVIM3，它具有低功耗2.2GHz四核Cortex-A73CPU和4GBRAM，以關(guān)鍵字“ARM”表示。我們將“FAST-LIO2(ARM)”表示為FAST-LIO2在基于ARM的平臺(tái)上的實(shí)現(xiàn)。
B.數(shù)據(jù)結(jié)構(gòu)評(píng)估
1)評(píng)估設(shè)置：我們選擇了動(dòng)態(tài)數(shù)據(jù)結(jié)構(gòu)的三個(gè)最先進(jìn)的實(shí)現(xiàn)來與我們的ikd-樹進(jìn)行比較：R*-樹[60]的boost幾何庫實(shí)現(xiàn)、oc樹[61]的點(diǎn)云庫實(shí)現(xiàn)和nanoflann[54]動(dòng)態(tài)k-d樹的實(shí)現(xiàn)。之所以選擇這些樹型數(shù)據(jù)結(jié)構(gòu)實(shí)現(xiàn)，是因?yàn)樗鼈兊膶?shí)現(xiàn)效率高。此外，它們支持動(dòng)態(tài)操作（即點(diǎn)插入、刪除）和范圍（或半徑）搜索，這對(duì)于與FAST-LIO2集成并對(duì)ikd-樹進(jìn)行公平的比較是十分必要的。對(duì)于地圖下采樣，由于其他數(shù)據(jù)結(jié)構(gòu)不支持像ikd-樹那樣的樹上的下采樣，因此我們應(yīng)用了與V-C中詳述類似的方法，利用它們的范圍搜索（對(duì)于八叉樹和R*樹）或半徑搜索的能力（對(duì)于nanoflannkd樹）。更具體地說，對(duì)于八叉樹和R*-樹，它們的范圍搜索直接返回目標(biāo)長方體CD內(nèi)的點(diǎn)（參見算法2）。對(duì)于nanoflannk-d樹，目標(biāo)長方體CD首先被分成小立方體，其邊長等于長方體的最小邊長。然后通過半徑搜索得到每個(gè)小立方體外接圓內(nèi)的點(diǎn)，然后通過線性方法過濾掉長方體外的點(diǎn)，而保留目標(biāo)長方體CD內(nèi)的點(diǎn)。最后，與算法2類似，將CD中除距離中心最近的點(diǎn)以外的點(diǎn)從地圖中移除。對(duì)于地圖移動(dòng)所需的框式刪除操作（見第V-A部分），是根據(jù)各自的范圍或半徑搜索得到的點(diǎn)索引再將指定長方體內(nèi)的點(diǎn)一一刪除來實(shí)現(xiàn)的。
所有四種數(shù)據(jù)結(jié)構(gòu)實(shí)現(xiàn)都會(huì)與FAST-LIO2集成，并在18個(gè)不同大小的序列上評(píng)估它們的時(shí)間性能。我們使用每個(gè)序列的每個(gè)數(shù)據(jù)結(jié)構(gòu)運(yùn)行FAST-LIO2，并記錄kNN搜索、點(diǎn)插入（使用地圖下采樣）、由于地圖移動(dòng)導(dǎo)致的框式刪除、新的一幀點(diǎn)云的點(diǎn)的數(shù)量和地圖數(shù)量的時(shí)間每一步的點(diǎn)（即樹的大?。Ｒ檎业淖罱彅?shù)量為5。
2）比較結(jié)果：我們首先比較所有18個(gè)序列中不同樹大小的點(diǎn)插入（使用地圖下采樣）和kNN搜索消耗的時(shí)間。對(duì)于每個(gè)評(píng)估的樹大小S，我們收集樹大小在[S−5%S,S+5%S]范圍內(nèi)的處理時(shí)間以獲得足夠數(shù)量的樣本。圖5顯示了每個(gè)單個(gè)目標(biāo)點(diǎn)的插入和kNN搜索的平均時(shí)間消耗。八叉樹在點(diǎn)插入方面取得了最好的性能，雖然與另一個(gè)的差距很?。ǖ陀?μs），但由于樹結(jié)構(gòu)不平衡，它的查詢時(shí)間要長得多。對(duì)于nanoflannk-d樹，插入時(shí)間通常比ikd-樹和R*-樹略短，但由于其組織一系列k-d樹的對(duì)數(shù)結(jié)構(gòu)，偶爾會(huì)出現(xiàn)巨大的峰值。這樣的峰值嚴(yán)重降低了實(shí)時(shí)能力，尤其是在維護(hù)大地圖時(shí)。對(duì)于k-最近鄰搜索，nanoflannk-d樹比我們的ikd-樹消耗更多的時(shí)間，尤其是當(dāng)樹的大小變大（105∼106）時(shí)。R*-樹實(shí)現(xiàn)了與ikd-樹相似的插入時(shí)間，但對(duì)于大樹的搜索時(shí)間要長得多。最后我們可以看到用樹上的下采樣和ikd樹kNN搜索的插入時(shí)間確實(shí)與logn成正比，這與第V-F節(jié)中的時(shí)間復(fù)雜度分析一致。
對(duì)于用于激光雷達(dá)里程計(jì)和制圖的任何地圖數(shù)據(jù)結(jié)構(gòu)，地圖查詢（即kNN搜索）和增量地圖更新（即由于地圖移動(dòng)而進(jìn)行下采樣和框刪除的點(diǎn)插入）的總時(shí)間最終會(huì)影響實(shí)時(shí)能力。該總時(shí)間總結(jié)在表3中?？梢钥闯?，八叉樹在大多數(shù)數(shù)據(jù)集中的增量更新中表現(xiàn)最好，緊隨其后的是ikd-樹和nanoflannk-d樹。在kNN搜索中，ikd-樹的性能最好，而ikd-樹和nanoflannk-d樹在很大程度上優(yōu)于其他兩個(gè)，這與過去的比較研究一致[42,43]。在所有其他數(shù)據(jù)結(jié)構(gòu)中，ikd樹實(shí)現(xiàn)了最佳的整體性能。
需要注意的是，雖然nanoflannk-d樹實(shí)現(xiàn)了與ikd-樹相似的性能，但插入時(shí)間峰有更為深刻的影響，并且它對(duì)激光雷達(dá)里程計(jì)和建圖的影響是很嚴(yán)重的。Nanoflannk-d樹刪除一個(gè)點(diǎn)是僅通過掩蔽它，而不實(shí)際從樹中刪除它。因此，即使進(jìn)行地圖下采樣和地圖移動(dòng)，刪除的點(diǎn)仍會(huì)保留在樹上，影響后續(xù)查詢和插入性能。由此產(chǎn)生的樹的大小比ikd-樹和其他樹增長得更快，從圖5中也觀察到了這一現(xiàn)象。對(duì)于短序列（ulhk和lili）的影響可能很小，但對(duì)于長序列（utbm和nclt）變得明顯。Nanoflannk-d樹的大小在utbm數(shù)據(jù)集中超過6×106，在nclt數(shù)據(jù)集中超過107，而ikd-樹的最大樹大小分別達(dá)到2×106和3.6×106。nanoflann增量更新的最大處理時(shí)間在七個(gè)utbm數(shù)據(jù)集中都超過3秒，在三個(gè)nclt數(shù)據(jù)集中超過7秒，而我們的ikd-樹將最大處理時(shí)間保持在nclt_2中的214.4毫秒，其余17個(gè)序列中的最大處理時(shí)間小于150毫秒.雖然nanoflann的這種處理時(shí)間峰由于其發(fā)生率低而不會(huì)嚴(yán)重影響整體實(shí)時(shí)能力，但它會(huì)導(dǎo)致后續(xù)控制的災(zāi)難性延遲。
表3 每次掃描平均時(shí)間消耗在增量更新、KNN搜索和總時(shí)間上的比較
 
 
每次掃描增量更新的平均時(shí)間消耗，包括使用樹上的下采樣的點(diǎn)插入和框刪除。
單線程kNN搜索每次掃描的平均時(shí)間消耗
 
 
圖5 不同樹大小的數(shù)據(jù)結(jié)構(gòu)比較
C.精度評(píng)估
在本部分中，我們將FAST-LIO2整個(gè)系統(tǒng)與其他最先進(jìn)的激光雷達(dá)-慣性里程計(jì)和建圖系統(tǒng)進(jìn)行比較，包括LILI-OM[17]、LIO-SAM[30]和LINS[31]。由于FAST-LIO2是一種沒有任何環(huán)路檢測(cè)或校正的里程計(jì)，為了公平比較，LILI-OM和LIO-SAM的環(huán)路閉合模塊被停用，而所有其他功能如滑動(dòng)窗口優(yōu)化等所有功能都啟用。我們還對(duì)FAST-LIO2進(jìn)行了控制變量研究：為了了解地圖大小的影響，除了默認(rèn)的1000m之外，我們?cè)?000m、800m、600m的各種地圖尺寸L上運(yùn)行算法；為了評(píng)估直接方法對(duì)基于特征的方法的有效性，我們從FAST-LIO[22]（針對(duì)固態(tài)激光雷達(dá)進(jìn)行了優(yōu)化）和BALM[20]（針對(duì)旋轉(zhuǎn)激光雷達(dá)進(jìn)行了優(yōu)化）中添加了一個(gè)特征提取模塊。結(jié)果以“Feature”為關(guān)鍵詞報(bào)告。所有實(shí)驗(yàn)均在Manifold2-C平臺(tái)（Intel）上進(jìn)行。
我們對(duì)lili、lisam、utbm、ulhk和nclt全部五個(gè)數(shù)據(jù)集進(jìn)行評(píng)估。由于并非所有序列都有地面實(shí)況（受天氣、GPS質(zhì)量等影響），我們從五個(gè)數(shù)據(jù)集中總共選擇了19個(gè)序列。這19個(gè)序列要么具有良好的真實(shí)軌跡（如數(shù)據(jù)集作者所推薦），要么在起始位置結(jié)束。因此，我們計(jì)算和評(píng)估了絕對(duì)平移誤差(RMSE)和端到端誤差這兩個(gè)標(biāo)準(zhǔn)。
1)RMSE基準(zhǔn)：表4中對(duì)RMSE進(jìn)行了計(jì)算和報(bào)告?？梢钥闯?，增加FAST-LIO2的地圖大小會(huì)提高整體精度，因?yàn)楫?dāng)激光雷達(dá)重新訪問以前的地方時(shí)，新的一幀點(diǎn)云的點(diǎn)會(huì)配準(zhǔn)到較舊的歷史點(diǎn)。當(dāng)?shù)貓D大小超過2000m時(shí)，精度增量不是持久的，因?yàn)槔锍逃?jì)漂移可能導(dǎo)致與太舊的地圖點(diǎn)可能出現(xiàn)錯(cuò)誤點(diǎn)匹配，這是任何里程計(jì)的典型現(xiàn)象。此外，直接方法在大多數(shù)序列中優(yōu)于FAST-LIO2基于特征的變體，除了在nclt_4和nclt_6這兩個(gè)中的差異很小且可以忽略不計(jì)。這證明了直接法的有效性。
與其他LIO方法相比，F(xiàn)AST-LIO2或其變體在所有19個(gè)數(shù)據(jù)序列中的18個(gè)中取得了最佳性能，是所有實(shí)驗(yàn)中最穩(wěn)健的LIO方法。唯一的例外是在ulhk_4上，LILI-OM的精度略高于FAST-LIO。值得注意的是，LILI-OM在utbm_9、nclt_4、nclt_6、nclt_8和nclt_10中顯示出非常大的漂移。原因是它的滑動(dòng)窗口后端融合（建圖）隨著地圖點(diǎn)數(shù)量的增長而失效。因此，它的姿態(tài)估計(jì)僅依賴于快速累積漂移的前端里程計(jì)。LINS在nclt_5,nclt_6,nclt_7,nclt_10中的工作情況同樣不好。LIO-SAM在nclt_4,nclt_10也表現(xiàn)出很大的漂移，這是由于后端因子圖優(yōu)化在很長時(shí)間和很長距離的數(shù)據(jù)下的失效。nclt_10序列的示例視頻可以在https://youtu.be/2OvjGnxszf8上找到。此外，在LILI-OM、LIO-SAM和LINS可以正常工作的其他序列上，F(xiàn)AST-LIO2的性能仍然有很大的優(yōu)勢(shì)。最后，應(yīng)該注意的是，序列l(wèi)iosam_1直接從LIO-SAM[30]中提取，因此該算法已針對(duì)數(shù)據(jù)進(jìn)行了良好的調(diào)整。但是，F(xiàn)AST-LIO2仍然實(shí)現(xiàn)了更高的精度。
分享到：
 
反對(duì) 0 舉報(bào) 0 收藏 0 評(píng)論 0
滬ICP備11026917號(hào)-25