以下內(nèi)容來自[從零開始機器人SLAM知識星球](https://mp.weixin.qq.com/s/04Rry7boc09NLPwBZtXQBQ)? 每日更新內(nèi)容

點擊領(lǐng)取學(xué)習(xí)資料 → [機器人SLAM學(xué)習(xí)資料大禮包](https://mp.weixin.qq.com/s/g2GcGnqoP4385F_0l8fTkw)

#論文# onlineFGO: Online Continuous-Time Factor Graph Optimization with Time-Centric Multi-Sensor Fusion for Robust Localization in Large-Scale Environments

論文地址：https://arxiv.org/abs/2211.05400

作者單位：德國亞琛工業(yè)大學(xué)

開源代碼：https://github.com/rwth-irt/onlineFGO.git

? 由于在城市地區(qū)進行準(zhǔn)確和一致的車輛定位具有挑戰(zhàn)性。在本文中，我們提出了 onlineFGO，這是一種新穎的基于時間的圖優(yōu)化定位方法，它將多個傳感器里程計與車輛定位任務(wù)的連續(xù)時間軌跡表示相融合。我們通過按時確定地創(chuàng)建狀態(tài)來概括獨立于任何空間傳感器測量的圖構(gòu)造。由于連續(xù)時間中的軌跡表示可以在任意時間查詢狀態(tài)，因此可以在圖上對傳入的傳感器測量進行分解，而無需狀態(tài)對齊。我們整合了不同的 GNSS 觀測：偽距、增量距和時差載波相位 (TDCP)，以確保全局參考并融合來自 LiDAR 里程計的相對運動，以提高定位一致性，而 GNSS 觀測不可用。在包含不同城市場景的亞琛市的真實世界測量活動中，對一般性能、不同因素的影響和超參數(shù)設(shè)置進行了實驗。我們的結(jié)果顯示平均 2D 誤差為 0.99m，并且在城市場景中的狀態(tài)估計是一致的。

? 在這項工作中，我們將之前的研究擴展到具有確定性 FGO 的以時間為中心的多傳感器融合方法，該方法解決了大規(guī)模環(huán)境中的魯棒定位問題。與我們之前的工作相比，我們使用 [4] 中提出的二階 White-Noise-On-Jerk 模型 (WNOJ) 來表示 GP 運動先驗中的系統(tǒng)動力學(xué)。除了偽距和增量距外，還研究了時差載波相位（TDCP）。為了展示以時間為中心的多傳感器融合的優(yōu)勢，我們改編了工作 [5] 中的 LiDAR 里程計，并整合了兩個連續(xù) LiDAR 幀之間的相對運動增量。使用來自亞琛市真實世界測量活動的數(shù)據(jù)評估了不同設(shè)置中所提出的方法。我們的結(jié)果顯示了多傳感器融合的一致軌跡估計和更高的精度，特別是在 GNSS 觀測不可用的區(qū)域?；谖覀兊膶嶒?，我們?nèi)嬗懻摿藢y量和 GP 運動先驗的影響。為了研究的方便，我們發(fā)布了來自亞琛市 15 公里測量活動的代碼和原始數(shù)據(jù)集，具有不同的城市場景。

以上內(nèi)容來自[從零開始機器人SLAM知識星球](https://mp.weixin.qq.com/s/04Rry7boc09NLPwBZtXQBQ) 每日更新內(nèi)容