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:
-
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。
-
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。
-
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)
-
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。
-
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。
-
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。
-
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。
-
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: