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(jī)器人設(shè)計(jì)。為解決高動態(tài)運(yùn)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(jì)、慣性測量單元（IMU）和LiDAR數(shù)據(jù)，并結(jié)合圖優(yōu)化實(shí)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(yùn)動學(xué)慣性里程計(jì)、高動態(tài)自適應(yīng)掃描分割方法和機(jī)器人中心增量建圖，顯著提高了高度和位置估計(jì)的精度。實(shí)驗(yàn)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(yùn)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(xiàng)目地址：https://github.com/ouguangjun/Leg-KILO

動機(jī)(Motivation)

本文的研究動機(jī)源于動態(tài)足式機(jī)器人在高動態(tài)運(yùn)動中狀態(tài)估計(jì)面臨的挑戰(zhàn)，以及現(xiàn)有方法的局限性：

1. 高動態(tài)運(yùn)動中的問題：

• 動態(tài)足式機(jī)器人（如四足機(jī)器人）在高動態(tài)運(yùn)動（如跑步或快步）時(shí)，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(jì)的漂移。
• LiDAR掃描會受到運(yùn)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(yùn)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。

2. 現(xiàn)有方法的不足：

• 單純依賴IMU或LiDAR的狀態(tài)估計(jì)方法在高動態(tài)運(yùn)動中誤差較大，不能滿足動態(tài)足式機(jī)器人導(dǎo)航的需求。
• 許多現(xiàn)有方法側(cè)重于中低速運(yùn)動場景，而忽視了在高速動態(tài)環(huán)境下狀態(tài)估計(jì)的精度和魯棒性。
• 一些僅基于腿部運(yùn)動學(xué)和慣性測量的估計(jì)方法容易在長時(shí)間運(yùn)動中累積顯著漂移，且在發(fā)生足部滑動等突發(fā)狀況時(shí)可能失效。

3. 解決這一問題的必要性：

• 提升足式機(jī)器人在動態(tài)、高速場景中的狀態(tài)估計(jì)精度和魯棒性是實(shí)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(yùn)動學(xué)、IMU、LiDAR）的信息，發(fā)揮各自優(yōu)勢，彌補(bǔ)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(jī)器人在高動態(tài)運(yùn)動中的狀態(tài)估計(jì)問題，推動相關(guān)領(lǐng)域的發(fā)展。

創(chuàng)新點(diǎn)

1. 腿部運(yùn)動學(xué)-慣性里程計(jì)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(yùn)動學(xué)-慣性里程計(jì)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。

2. 自適應(yīng)掃描切片與拼接：針對高動態(tài)運(yùn)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(jī)器人運(yùn)動速度動態(tài)調(diào)整掃描角度，提高了輸入頻率的同時(shí)降低了運(yùn)動失真。

3. 機(jī)器人中心增量地圖：設(shè)計(jì)了一種機(jī)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(diǎn)云的添加和刪除，減少了地圖維護(hù)的計(jì)算開銷。

4. 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(jì)、LiDAR里程計(jì)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。

5. 全面的實(shí)驗(yàn)驗(yàn)證與數(shù)據(jù)共享：在室內(nèi)外高動態(tài)環(huán)境下驗(yàn)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(jì)方法，同時(shí)公開了包含腿部運(yùn)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(yùn)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(jī)器人在高動態(tài)環(huán)境中的狀態(tài)估計(jì)能力。以下是算法的主要組成：