導(dǎo)讀
本文提出了一種名為Leg-KILO（Kinematic-Inertial-Lidar Odometry）的多傳感器融合框架，專為動態(tài)足式機器人設(shè)計。為解決高動態(tài)運動導(dǎo)致的IMU漂移和LiDAR失真問題，該方法緊密耦合腿部里程計、慣性測量單元（IMU）和LiDAR數(shù)據(jù)，并結(jié)合圖優(yōu)化實現(xiàn)回環(huán)檢測。通過提出基于誤差狀態(tài)卡爾曼濾波器的腿部運動學(xué)慣性里程計、高動態(tài)自適應(yīng)掃描分割方法和機器人中心增量建圖，顯著提高了高度和位置估計的精度。實驗表明，Leg-KILO在室內(nèi)外環(huán)境中的漂移顯著小于現(xiàn)有的LiDAR方法，尤其在高動態(tài)運動中表現(xiàn)出優(yōu)越的魯棒性。研究還公開了相關(guān)數(shù)據(jù)集和代碼以供社區(qū)使用。
論文信息
- 標(biāo)題：Leg-KILO: Robust Kinematic-Inertial-Lidar Odometry for Dynamic Legged Robots
- 作者：Guangjun Ou , Dong Li , and Hanmin Li
- 論文鏈接：https://ieeexplore.ieee.org/document/10631676
- 項目地址：https://github.com/ouguangjun/Leg-KILO
動機(Motivation)
本文的研究動機源于動態(tài)足式機器人在高動態(tài)運動中狀態(tài)估計面臨的挑戰(zhàn)，以及現(xiàn)有方法的局限性：
-
高動態(tài)運動中的問題：
- 動態(tài)足式機器人（如四足機器人）在高動態(tài)運動（如跑步或快步）時，足部沖擊頻繁，導(dǎo)致慣性測量單元（IMU）數(shù)據(jù)退化，尤其是加速度計的漂移。
- LiDAR掃描會受到運動失真影響，進(jìn)一步導(dǎo)致基于LiDAR的SLAM系統(tǒng)難以穩(wěn)定運行。
- IMU與LiDAR在高動態(tài)環(huán)境中容易累積漂移，尤其是在高度（Z軸）方向。
-
現(xiàn)有方法的不足：
- 單純依賴IMU或LiDAR的狀態(tài)估計方法在高動態(tài)運動中誤差較大，不能滿足動態(tài)足式機器人導(dǎo)航的需求。
- 許多現(xiàn)有方法側(cè)重于中低速運動場景，而忽視了在高速動態(tài)環(huán)境下狀態(tài)估計的精度和魯棒性。
- 一些僅基于腿部運動學(xué)和慣性測量的估計方法容易在長時間運動中累積顯著漂移，且在發(fā)生足部滑動等突發(fā)狀況時可能失效。
-
解決這一問題的必要性：
- 提升足式機器人在動態(tài)、高速場景中的狀態(tài)估計精度和魯棒性是實現(xiàn)其在復(fù)雜環(huán)境中自主導(dǎo)航和控制的關(guān)鍵。
- 需要整合多傳感器（如腿部運動學(xué)、IMU、LiDAR）的信息，發(fā)揮各自優(yōu)勢，彌補單一傳感器的局限性。
基于以上背景，本文提出了Leg-KILO框架，旨在通過多傳感器融合和高效的優(yōu)化方法，解決動態(tài)足式機器人在高動態(tài)運動中的狀態(tài)估計問題，推動相關(guān)領(lǐng)域的發(fā)展。
創(chuàng)新點
-
腿部運動學(xué)-慣性里程計的改進(jìn)：提出了一種基于誤差狀態(tài)卡爾曼濾波器（ESKF）的腿部運動學(xué)-慣性里程計方法，結(jié)合接觸高度檢測約束，有效減少了由足部沖擊引起的高度波動。
-
自適應(yīng)掃描切片與拼接：針對高動態(tài)運動帶來的LiDAR掃描失真問題，提出了一種自適應(yīng)掃描切片與拼接方法，根據(jù)機器人運動速度動態(tài)調(diào)整掃描角度，提高了輸入頻率的同時降低了運動失真。
-
機器人中心增量地圖：設(shè)計了一種機器人中心的增量式局部地圖維護(hù)方法，通過增量kd-tree技術(shù)高效處理點云的添加和刪除，減少了地圖維護(hù)的計算開銷。
-
多傳感器緊密耦合與回環(huán)優(yōu)化：通過圖優(yōu)化框架將腿部里程計、LiDAR里程計以及回環(huán)檢測緊密耦合，從而提升了系統(tǒng)的全局定位精度。
-
全面的實驗驗證與數(shù)據(jù)共享：在室內(nèi)外高動態(tài)環(huán)境下驗證了方法的魯棒性和精確性，結(jié)果優(yōu)于其他LiDAR慣性里程計方法，同時公開了包含腿部運動學(xué)數(shù)據(jù)的LiDAR慣性數(shù)據(jù)集和代碼，促進(jìn)了社區(qū)研究。
本文核心算法
System overview.
本文的核心算法圍繞Leg-KILO框架，融合腿部運動學(xué)、慣性測量單元（IMU）和LiDAR數(shù)據(jù)，通過創(chuàng)新的算法模塊提升動態(tài)足式機器人在高動態(tài)環(huán)境中的狀態(tài)估計能力。以下是算法的主要組成：
1. 腿部運動學(xué)-慣性里程計
結(jié)合機器人腿部運動學(xué)和IMU數(shù)據(jù)，提出了一種基于誤差狀態(tài)卡爾曼濾波器（ESKF）的腿部里程計算法：
- 狀態(tài)預(yù)測：利用運動學(xué)模型預(yù)測機器人在空間中的位置、速度和姿態(tài)。
- 狀態(tài)更新：融合足端速度、足端位置和接觸高度檢測等多種觀測，減少由于足部沖擊引起的高度波動和漂移。
- 接觸高度檢測：通過機器人中心的增量地圖計算足端接觸點的高度，有效降低動態(tài)運動中高度方向的累積誤差。
2. LiDAR里程計
為了適應(yīng)動態(tài)運動帶來的點云失真問題，提出了以下創(chuàng)新方法：
- 自適應(yīng)掃描切片與拼接：根據(jù)機器人運動速度動態(tài)調(diào)整LiDAR掃描切片的角度，拼接當(dāng)前和歷史掃描切片以生成高頻的去畸變點云。
- 點云匹配與優(yōu)化：使用點到線和點到面的匹配算法對點云進(jìn)行優(yōu)化，提升位姿估計的精度。
- 增量式地圖維護(hù)：采用增量kd-tree技術(shù)動態(tài)管理局部地圖，通過高效添加與移除點云，實現(xiàn)對大規(guī)模點云的實時維護(hù)。
3. 因子圖優(yōu)化
通過因子圖緊密耦合腿部里程計、LiDAR里程計和回環(huán)檢測：
- 因子圖結(jié)構(gòu)：整合腿部里程計的相對位姿、LiDAR里程計的相對位姿以及回環(huán)檢測的匹配信息，形成優(yōu)化目標(biāo)。
- 回環(huán)檢測：基于距離約束的回環(huán)檢測方法，選擇匹配幀對進(jìn)行閉環(huán)優(yōu)化，進(jìn)一步提升全局定位精度。
4. 系統(tǒng)流程
- 使用腿部運動學(xué)和IMU數(shù)據(jù)進(jìn)行預(yù)測和初步狀態(tài)估計。
- 通過自適應(yīng)掃描與拼接生成高頻點云，優(yōu)化點云匹配結(jié)果。
- 將腿部里程計、LiDAR里程計及回環(huán)檢測結(jié)果融合到因子圖中，實現(xiàn)全局優(yōu)化。
- 維護(hù)增量式局部地圖，確保實時性和計算效率。
實驗仿真結(jié)果
本文提出的方法與其他方法的相對位姿誤差（RPE）的比較
Comparison of trajectory for various methods on parking.
在平地上跑步時，不同方法對高度變化的比較。跑步時，車身高度會略有下降，不會超過圖中的灰色區(qū)域。
untime comparison on sequence parking.
總結(jié) & 展望
本文提出了一種基于運動學(xué)-慣性-LiDAR的里程計方法——Leg-KILO。通過引入腿部運動學(xué)約束，增強了基于LiDAR里程計的穩(wěn)定性。此外，提出了一種自適應(yīng)掃描切片與拼接方法，以緩解動態(tài)運動的影響。同時，采用一種以機器人為中心的增量式局部地圖維護(hù)方法，顯著降低了地圖維護(hù)的時間成本。通過因子圖優(yōu)化，將腿部里程計、LiDAR里程計和回環(huán)檢測因子進(jìn)行整合，以提高定位精度。
本文的方法在多種高動態(tài)運動環(huán)境下（采用快步運動方式）進(jìn)行了廣泛的測試，結(jié)果表明，與其他先進(jìn)的LiDAR方法相比，Leg-KILO更適合動態(tài)四足機器人的運動場景。以機器人為中心的局部地圖維護(hù)對接觸高度檢測的精度有重要影響。未來，我們將更加關(guān)注地圖一致性的改進(jìn)，以進(jìn)一步提升接觸高度檢測和點云配準(zhǔn)的精度。
本文僅做學(xué)術(shù)分享，如有侵權(quán)，請聯(lián)系刪文！
