以下内容来自从零开始机器人SLAM知识星球 每日更新内容

点击领取学习资料 → 机器人SLAM学习资料大礼包

论文# onlineFGO: Online Continuous-Time Factor Graph Optimization with Time-Centric Multi-Sensor Fusion for Robust Localization in Large-Scale Environments

论文地址：https://arxiv.org/abs/2211.05400
作者单位：德国亚琛工业大学
开源代码：https://github.com/rwth-irt/onlineFGO.git
由于在城市地区进行准确和一致的车辆定位具有挑战性。在本文中，我们提出了 onlineFGO，这是一种新颖的基于时间的图优化定位方法，它将多个传感器里程计与车辆定位任务的连续时间轨迹表示相融合。我们通过按时确定地创建状态来概括独立于任何空间传感器测量的图构造。由于连续时间中的轨迹表示可以在任意时间查询状态，因此可以在图上对传入的传感器测量进行分解，而无需状态对齐。我们整合了不同的 GNSS 观测：伪距、增量距和时差载波相位 (TDCP)，以确保全局参考并融合来自 LiDAR 里程计的相对运动，以提高定位一致性，而 GNSS 观测不可用。在包含不同城市场景的亚琛市的真实世界测量活动中，对一般性能、不同因素的影响和超参数设置进行了实验。我们的结果显示平均 2D 误差为 0.99m，并且在城市场景中的状态估计是一致的。
在这项工作中，我们将之前的研究扩展到具有确定性 FGO 的以时间为中心的多传感器融合方法，该方法解决了大规模环境中的鲁棒定位问题。与我们之前的工作相比，我们使用 [4] 中提出的二阶 White-Noise-On-Jerk 模型 (WNOJ) 来表示 GP 运动先验中的系统动力学。除了伪距和增量距外，还研究了时差载波相位（TDCP）。为了展示以时间为中心的多传感器融合的优势，我们改编了工作 [5] 中的 LiDAR 里程计，并整合了两个连续 LiDAR 帧之间的相对运动增量。使用来自亚琛市真实世界测量活动的数据评估了不同设置中所提出的方法。我们的结果显示了多传感器融合的一致轨迹估计和更高的精度，特别是在 GNSS 观测不可用的区域。基于我们的实验，我们全面讨论了对测量和 GP 运动先验的影响。为了研究的方便，我们发布了来自亚琛市 15 公里测量活动的代码和原始数据集，具有不同的城市场景。

以上内容来自[从零开始机器人SLAM知识星球](https://mp.weixin.qq.com/s/04Rry7boc09NLPwBZtXQBQ) 每日更新内容