点云PCL免费知识星球，点云论文速读。

标题：LIC-Fusion 2.0: LiDAR-Inertial-Camera Odometry with Sliding-Window Plane-Feature Tracking

作者：Xingxing Zuo1;2, Yulin Yang3, Patrick Geneva3, Jiajun Lv2, Yong Liu2, Guoquan Huang3, Marc Pollefeys

来源：分享者

欢迎各位加入免费知识星球，获取PDF论文，欢迎转发朋友圈分享快乐。

论文阅读模块将分享点云处理，SLAM，三维视觉，高精地图相关的文章。公众号致力于理解三维视觉领域相关内容的干货分享，欢迎各位加入我，我们一起每天一篇文章阅读，开启分享之旅,有兴趣的可联系微信dianyunpcl@163.com。

摘要

本文在前人工作（即LIC-Fusion）的基础上，开发了一种基于滑动窗滤波器的具有在线时空校准功能的LiDAR惯性相机里程计（LIC Fusion 2.0），提出了一种新的滑动窗口平面特征跟踪方法，以有效地处理三维LiDAR点云。特别是利用IMU数据对LiDAR点进行运动补偿后，通过滑动窗口提取和跟踪低曲率平面点。针对高质量的数据关联问题，提出了一种新的孤立点抑制准则。该方法只利用跟踪到的同一平面上的点进行平面初始化，使得平面提取具有高效性和鲁棒性。此外，我们对LiDAR-IMU子系统进行了可观测性分析，并报告了利用平面特征进行时空校准的退化情况。通过仿真验证了蒙特卡罗方法和其它方法的一致性。

提出的具有滑动窗口平面特征跟踪的lic-fusion2.0。激光雷达稳定跟踪的SLAM地标平面和摄像机的SLAM 特征点用红色表示。

主要内容

主要贡献如下：

• 开发了一种新的滑动窗口平面特征跟踪算法，该算法允许在滑动窗口内通过多个激光雷达扫描来跟踪三维环境平面特征。该跟踪算法被最佳地集成到我们先前的紧耦合融合框架：LIC-fusion。对于所提出的平面跟踪，提出了一种新的外点抑制准则，该准则考虑了激光雷达帧间的变换不确定性，从而实现了鲁棒匹配。该系统能合理地模拟激光雷达测量的不确定度，消除了激光雷达扫描匹配中容易出现的不一致现象。

• 对具有平面特征的激光雷达惯性相机系统进行了深入的可观测性分析，并确定了导致系统具有额外不可观测方向的退化情况。

• 在一系列蒙特卡罗模拟和真实世界数据集上对拟议的LIC-Fusion 2.0进行了广泛的实验，验证了所提议系统的一致性和准确性。

激光雷达平面跟踪算法处理过程

LIC Fusion 2.0激光雷达处理算法流程

实验

使用多传感器平台，包括一个Velodyne VLP-16、一个Xsens IMU和一个全局快门式单目相机。所有的传感器都是异步发布的，所有的时间偏移都是在线估计的，初始猜测为零。图像处理流程是基于我们之前的工作OpenVINS，而激光雷达处理流程是在本工作中提出的。

左图：模拟房间有结构平面（蓝色）、16束激光雷达点（黄色）、SLAM点地标（红点）、SLAM平面地标（红色补丁）、估计（绿色）和地面真实（青色）轨迹。

KITTI 00数据集的定位误差比较

总结

本文提出了一种鲁棒、高效的滑动窗口平面特征跟踪算法来处理三维激光雷达点云。将该跟踪算法集成到我们先前的LIC-Fusion估计器中，得到了性能改进的LIC Fusion 2.0。特别是在所提出的平面特征跟踪过程中，我们提出了一种新的野值抑制准则，通过考虑激光雷达帧变换的不确定性来提高特征匹配质量。此外，我们还深入研究了线性化的LIC系统模型的可观测性，识别了具有平面特征的时空LiDAR IMU标定退化情况。所提出的方法已在模拟和实际数据集上进行了验证，并显示出比现有算法更高的精度。

资源

三维点云论文及相关应用分享

【点云论文速读】基于激光雷达的里程计及3D点云地图中的定位方法

3D目标检测：MV3D-Net

三维点云分割综述（上）

3D-MiniNet: 从点云中学习2D表示以实现快速有效的3D LIDAR语义分割（2020）

win下使用QT添加VTK插件实现点云可视化GUI

JSNet：3D点云的联合实例和语义分割

大场景三维点云的语义分割综述

PCL中outofcore模块---基于核外八叉树的大规模点云的显示

基于局部凹凸性进行目标分割

基于三维卷积神经网络的点云标记

点云的超体素(SuperVoxel)

基于超点图的大规模点云分割

更多文章可查看：点云学习历史文章大汇总

SLAM及AR相关分享

【开源方案共享】ORB-SLAM3开源啦！

【论文速读】AVP-SLAM：自动泊车系统中的语义SLAM

【点云论文速读】StructSLAM:结构化线特征SLAM

SLAM和AR综述

常用的3D深度相机

AR设备单目视觉惯导SLAM算法综述与评价

SLAM综述(4)激光与视觉融合SLAM

Kimera实时重建的语义SLAM系统

SLAM综述(3)-视觉与惯导，视觉与深度学习SLAM

易扩展的SLAM框架-OpenVSLAM

高翔：非结构化道路激光SLAM中的挑战

SLAM综述之Lidar SLAM

基于鱼眼相机的SLAM方法介绍

往期线上分享录播汇总

第一期B站录播之三维模型检索技术

第二期B站录播之深度学习在3D场景中的应用

第三期B站录播之CMake进阶学习

第四期B站录播之点云物体及六自由度姿态估计

第五期B站录播之点云深度学习语义分割拓展

第六期B站录播之Pointnetlk解读

[线上分享录播]点云配准概述及其在激光SLAM中的应用

[线上分享录播]cloudcompare插件开发

[线上分享录播]基于点云数据的 Mesh重建与处理

[线上分享录播]机器人力反馈遥操作技术及机器人视觉分享

[线上分享录播]地面点云配准与机载点云航带平差

点云PCL更多活动请查看：点云PCL活动之应届生校招群

扫描下方微信视频号二维码可查看最新研究成果及相关开源方案的演示：

如果你对本文感兴趣，请点击“原文阅读”获取知识星球二维码，务必按照“姓名+学校/公司+研究方向”备注加入免费知识星球，免费下载pdf文档，和更多热爱分享的小伙伴一起交流吧！

以上内容如有错误请留言评论，欢迎指正交流。如有侵权，请联系删除

扫描二维码

                   关注我们

让我们一起分享一起学习吧！期待有想法，乐于分享的小伙伴加入免费星球注入爱分享的新鲜活力。分享的主题包含但不限于三维视觉，点云，高精地图，自动驾驶，以及机器人等相关的领域。

分享及合作方式：群主微信“920177957”（需要按要求备注） 联系邮箱：dianyunpcl@163.com，欢迎企业来联系公众号展开合作。

点一下“在看”你会更好看耶