https://mp.weixin.qq.com/s?__biz=MzIxOTczOTM4NA==&mid=2247553524&idx=2&sn=12fe2d7633ce51109976bacde02f62ec&chksm=97d4f463a0a37d75f496e3830ca2253e6cd3cfc035e6117941893fd24cbbe23993509f5023e7&mpshare=1&scene=23&srcid=08212QUoxZuZsQX6g6UdnKT6&sharer_sharetime=1661051717663&sharer_shareid=b169e43ee986018019831defa4f10ff4#rd
监测铁路安全运营需要精确的轨道车辆定位和长期的铁路环境。国内现行铁道系统的定位策略仍以轨旁系统为主，不仅实时性和准确率都差，而且需要大量的前期投资和后续维护。虽然已经有基于GNSS和odometry的研究，但是这类方法缺失了对于环境的感知信息，并且会受到GNSS环境的限制。所以加入诸如雷达和相机的感知进行辅助融合是一个可行的方向，但是在铁路系统加入lidar和相机存在几个问题：
- 一是运动长时间受到约束，轨道车辆被限制沿平面轨迹移动，导致 IMU存在非观测方向的虚假信息增益。这种问题会导致许多VIO的大规模漂移。
- 二是铁路系统信息重复，主要可观察的特征是重复的铁轨和悬架夹具，这对于基于特征跟踪的方法具有挑战性。
- 三是铁路系统基本无回环，现有的SLAM 通常使用地标描述符来检测重访问的地点，并在检测到的循环上纠正累积的漂移。铁路系统没有回环，所以需要更加低漂移的位姿估计。
Contribution
- 这篇文章提出了一个框架，基于滑窗因子图将 LiDAR、IMU、轨道车辆车轮里程计、相机和 GNSS 紧密融合。实验结果表明，融合后的系统对于大规模铁路环境定位足够准确，并且对铁路上的长时间倒退具有鲁棒性。
- 充分利用传感器测量的几何信息，利用提取的铁轨和消失点的平面约束来提高系统精度和鲁棒性。实验证明这些特征有效地限制了具有重复结构的区域的高度和旋转误差。
- 实验中所使用的数据集时长跨度一年多，涵盖各种规模、天气和铁路状况。