以下內(nèi)容來自小六的機(jī)器人SLAM學(xué)習(xí)圈知識星球每日更新內(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# LIMOT: A Tightly-Coupled System for LiDAR-Inertial Odometry and Multi-Object Tracking

論文地址：https://arxiv.org/abs/2305.00406

作者單位：同濟(jì)大學(xué)

?同時定位和建圖(SLAM)是實(shí)現(xiàn)自動駕駛的關(guān)鍵。大多數(shù)激光雷達(dá)慣性SLAM算法都假設(shè)一個靜態(tài)環(huán)境，導(dǎo)致在動態(tài)環(huán)境下定位不可靠。此外，運(yùn)動物體的準(zhǔn)確跟蹤對于自動駕駛汽車的控制和規(guī)劃具有重要意義。本研究提出了LIMOT，一種緊耦合的多目標(biāo)跟蹤和激光雷達(dá)慣性SLAM系統(tǒng)，能夠準(zhǔn)確估計車輛和物體的姿態(tài)。首先，用目標(biāo)探測器產(chǎn)生的三維包圍盒表示所有運(yùn)動目標(biāo)，并利用慣性測量單元(IMU)的預(yù)積分結(jié)果進(jìn)行LiDAR里程測量?；诨瑒哟翱谥懈檶ο蟮臍v史軌跡，實(shí)現(xiàn)魯棒目標(biāo)關(guān)聯(lián)。提出了一種基于軌跡的動態(tài)特征過濾方法，利用跟蹤結(jié)果過濾出屬于運(yùn)動物體的特征。然后進(jìn)行基于因子圖的優(yōu)化，以優(yōu)化IMU的偏置以及小車和周圍物體在滑動窗口中的姿態(tài)。在KITTI數(shù)據(jù)集上進(jìn)行的實(shí)驗(yàn)表明，我們的方法比我們之前的工作DL-SLOT和其他SLAM和多目標(biāo)跟蹤基線方法獲得了更好的姿態(tài)和跟蹤精度。

本文貢獻(xiàn)如下： 1、開發(fā)緊耦合的多目標(biāo)跟蹤和LiDAR初始SLAM系統(tǒng)，允許聯(lián)合估計車輛和周圍物體的姿態(tài)。 2、引入一種方法，該方法利用近似的物體軌跡來識別和排除屬于運(yùn)動物體的特征點(diǎn)，同時仍然利用靜態(tài)物體上的特征點(diǎn)來為掃描匹配提供約束。

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