以下內(nèi)容來(lái)自小六的機(jī)器人SLAM學(xué)習(xí)圈知識(shí)星球每日更新內(nèi)容

點(diǎn)擊領(lǐng)取學(xué)習(xí)資料 → 機(jī)器人SLAM學(xué)習(xí)資料大禮包

#論文# PALoc: Robust Prior-assisted Trajectory Generation for Benchmarking

論文地址：https://arxiv.org/pdf/2305.13147.pdf

作者單位：香港科技大學(xué)

?評(píng)估同時(shí)定位和建圖(SLAM)算法需要高精度和稠密的地面真值(GT)軌跡。但是，如果沒(méi)有GT跟蹤傳感器，獲得理想的GT軌跡有時(shí)是具有挑戰(zhàn)性的。作為替代方案，在本文中，我們提出了一種新的先驗(yàn)輔助SLAM系統(tǒng)，在因子圖的框架下，以10Hz左右的速度生成完整的六自由度(6-DOF)軌跡，用于基準(zhǔn)測(cè)試。我們的退化感知地圖因子利用先前的點(diǎn)云圖和LiDAR幀進(jìn)行點(diǎn)到平面優(yōu)化，同時(shí)檢測(cè)退化情況以減少漂移并增強(qiáng)姿態(tài)估計(jì)的一致性。我們的系統(tǒng)通過(guò)松散耦合方案與先進(jìn)的里程計(jì)無(wú)縫集成，以生成高速率和精確的軌跡。此外，我們提出了固定情況下的規(guī)范約束重力因子，優(yōu)化姿勢(shì)和重力以提高性能。廣泛的評(píng)估表明，在不同的場(chǎng)景下，我們的算法在精度、平滑性和魯棒性方面優(yōu)于現(xiàn)有的SLAM或基于地圖的方法。我們的方法大大推進(jìn)了可靠和準(zhǔn)確的SLAM評(píng)估方法，促進(jìn)了機(jī)器人研究的進(jìn)展。

?我們的貢獻(xiàn)如下:

1、我們開(kāi)發(fā)了一個(gè)先驗(yàn)輔助定位系統(tǒng)，將先驗(yàn)地圖與本地傳感器測(cè)量相結(jié)合，在不需要專門的GT跟蹤傳感器的情況下，促進(jìn)6自由度稠密位姿的生成。 2、我們提出了一個(gè)退化感知映射因子，通過(guò)考慮特征值和特征向量的耦合以及連續(xù)姿態(tài)估計(jì)的平移約束強(qiáng)度來(lái)解決常見(jiàn)的退化情況。 3、我們引入了一個(gè)專門為零速度更新(ZUPT)場(chǎng)景量身定制的規(guī)范約束重力因子，同時(shí)優(yōu)化姿態(tài)和重力。

以上內(nèi)容來(lái)自小六的機(jī)器人SLAM學(xué)習(xí)圈知識(shí)星球每日更新內(nèi)容