《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(diǎn)云估算激光雷達的運動(dòng)狀態(tài)，其精度顯著(zhù)受激光點(diǎn)云質(zhì)量波動(dòng)影響。IMU（慣性測量單元），作為廣泛應用于機器人及汽車(chē)領(lǐng)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(jìn)而通過(guò)積分運算推算出其在一定時(shí)間內的姿態(tài)與位置變化。然而，IMU在實(shí)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(huì )隨時(shí)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(lài)低頻的環(huán)境感知進(jìn)行定位，而IMU則通過(guò)高頻的自身運動(dòng)狀態(tài)積分進(jìn)行位姿估計，兩者在功能上存在天然的互補性。眾多學(xué)者因此致力于將激光里程計與IMU相結合，以實(shí)現高精度、實(shí)時(shí)性的定位。根據融合方式與原理的不同，這一領(lǐng)域的研究被細化為L(cháng)iDAR+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(shù)。兩者獨立運作，依托卡爾曼濾波、粒子濾波等先進(jìn)框架，實(shí)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(chuàng )新性地提出IMU-AHFLO算法，該算法憑借點(diǎn)線(xiàn)特征或點(diǎn)云分布特征匹配的激光里程計，捕捉車(chē)輛在兩幀點(diǎn)云間的位姿變化，隨后，高頻IMU數據攜手車(chē)輛運動(dòng)學(xué)方程，預測上述時(shí)刻的位姿變遷，最終，卡爾曼濾波器精準估算車(chē)輛新姿態(tài)。南昌大學(xué)的廖杰華則另辟蹊徑，將LOAM算法與自適應粒子濾波技術(shù)巧妙結合，專(zhuān)為無(wú)人物流小車(chē)打造室內定位新方案。而Google的Cartographer算法，更是以分層優(yōu)化為核心，前端運用無(wú)跡卡爾曼濾波器實(shí)現2D激光雷達與IMU數據的無(wú)縫融合，后端則聚焦于子地圖構建與優(yōu)化，輔以分支定界法，顯著(zhù)加速閉環(huán)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(shù)，相較于松耦合方式，顯著(zhù)減少了信息損失。這一創(chuàng )新方法將激光雷達與IMU數據融合于同一位姿優(yōu)化問(wèn)題中，實(shí)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(yōu)化兩大流派�；�于濾波器的方法，在狀態(tài)更新中無(wú)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(wú)人小車(chē)室外精準導航。然而，濾波器固有的線(xiàn)性化近似與遞推機制，隨時(shí)間推移易累積誤差，影響長(cháng)期定位精度。為克服此局限，香港科技大學(xué)機器人與多感知實(shí)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數據，通過(guò)持續校正系統狀態(tài)誤差，實(shí)現了車(chē)輛實(shí)時(shí)、高精度的定位與建圖，為緊耦合定位技術(shù)樹(shù)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(jiǎn)稱(chēng)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(cháng)時(shí)耦合模型展現了其簡(jiǎn)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(chē)輛的實(shí)時(shí)位姿信息。為此，首要任務(wù)是明確求解流程中不可或缺的三個(gè)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(shí)的理論基礎，確保后續處理能夠精準無(wú)誤地跨越不同坐標空間，實(shí)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(guò)卡爾曼濾波框架實(shí)現松耦合定位的精妙機制。鑒于IMU與LiDAR在車(chē)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(chē)輛運動(dòng)狀態(tài)方程，對車(chē)輛位置進(jìn)行前瞻預測，并借助激光里程計的輸出作為觀(guān)測依據，最終通過(guò)卡爾曼更新流程，精準地估算出車(chē)輛的后驗狀態(tài)。然而，此松耦合策略雖原理簡(jiǎn)明且易于實(shí)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(shí)，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(xué)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(shí)現激光雷達、IMU與GPS的實(shí)時(shí)、穩定且高精度的融合定位，其開(kāi)源代碼已在GitHub上開(kāi)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)的基礎理論，隨后再逐步揭開(kāi)LIO-SAM算法的神秘面紗。
        因子圖優(yōu)化：因子圖，這一無(wú)向概率圖的杰出代表，源自Kschischang等人在信道編碼領(lǐng)域對Tanner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，將復雜系統的全局函數拆解為多個(gè)簡(jiǎn)潔的局部函數乘積，并通過(guò)“和-積”算法清晰地勾勒出系統狀態(tài)變量間的信息傳遞脈絡(luò )。在統計推斷、譯碼編碼、實(shí)時(shí)定位等多個(gè)領(lǐng)域，因子圖均展現出廣泛的應用價(jià)值。其結構由變量節點(diǎn)與因子節點(diǎn)構成，二者通過(guò)無(wú)向邊緊密相連，共同編織出系統狀態(tài)的精密網(wǎng)絡(luò )。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。

另外最近部門(mén)招聘，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(mén)板、console等零部件
3、負責內飾IP、門(mén)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(guān)系，并完整表達設計意圖。      

要求
1、大專(zhuān)及以上學(xué)歷，藝術(shù)設計、工業(yè)設計相關(guān)專(zhuān)業(yè)
2、熟練使用ALIAS軟件
3、 測試A級至少5-8年實(shí)際CAS、A面設計工作經(jīng)驗 測試B級至少3-5年CAS、A面設計工作經(jīng)驗
4、善于團隊合作、有責任心、敢于擔當、工作主動(dòng)積極




有意者戳汽車(chē)造型/產(chǎn)品設計師社會(huì )招聘-表單-金數據 (jsj.top)