浙江大學提出了一個多相機-雷達-慣性里程計，與LVI-SAM相比，提高了準確度、魯棒性和效率，代碼開源！

以下內(nèi)容來自小六的機器人SLAM學習圈知識星球每日更新內(nèi)容

點擊領(lǐng)取學習資料 → 機器人SLAM學習資料大禮包

#論文##開源代碼##開源數(shù)據(jù)集# EMV-LIO: An Efficient Multiple Vision aided LiDAR-Inertial Odometry

論文地址：https://arxiv.org/abs/2302.00216

作者單位：浙江大學

開源代碼：https://github. com/thinking-08/EMV-LIO.git

為了解決單個傳感器不完全約束帶來的退化問題，近年來，多傳感器融合策略，特別是在激光雷達-視覺-慣性融合領(lǐng)域引起了產(chǎn)業(yè)界和研究界的極大興趣?？紤]到單目相機容易受到來自某一方向的環(huán)境光的影響而失效，使系統(tǒng)退化為LiDAR慣性系統(tǒng)，引入多個相機來擴展視覺觀測，以提高系統(tǒng)的精度和魯棒性。此外，還引入了利用距離圖像去除LiDAR噪聲、設置最近鄰搜索條件以及用IKD-Tree代替kd-Tree等方法來提高效率。

在此基礎(chǔ)上，我們提出了一種高效的多視覺輔助激光雷達慣性里程計系統(tǒng)(EMV-LIO)，并對其在開放數(shù)據(jù)集和定制數(shù)據(jù)集上的性能進行了評估。實驗表明，與LVI-SAM相比，該算法有助于提高整個系統(tǒng)的準確度、魯棒性和效率。

本文貢獻如下：

1、在VIO子系統(tǒng)中引入了多個相機，以獲得更健壯和準確的結(jié)果。

2、通過深度圖像去除激光雷達噪聲，設置最近鄰搜索條件，并用ikdTree代替kd-Tree，提出了一種提高系統(tǒng)效率的LVIO系統(tǒng)。

3、設計了一種高效的多視覺輔助激光雷達慣性里程計系統(tǒng)(EMV-LIO)，并在開放數(shù)據(jù)集和定制數(shù)據(jù)集上進行了實驗。實驗表明，我們的系統(tǒng)在保持效率的同時，在穩(wěn)健性和準確性方面都表現(xiàn)得更好。

以上內(nèi)容來自小六的機器人SLAM學習圈 每日更新內(nèi)容