.png){kind=icon}
返回
Feedback-Driven SLAM with Adaptive Point Cloud Selection and Uncertainty-Aware Pose Optimization
.png){kind=icon}
OA
AI
DOI：10.3390/s26103275.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
激光雷达SLAM在机器人导航和自动驾驶中应用广泛，但许多现有方法仍将前端点云处理和后端位姿优化视为两个松散连接且设置固定的阶段。这可能导致不必要的计算，并在环境或运动变化时限制定位性能。为解决此问题，我们提出了一种带有自适应点云处理与位姿优化双向闭环耦合的激光雷达-惯性SLAM框架。在前端，根据后端位姿不确定性和环路闭合重要性在线调整深度图像分辨率，并使用综合评分（整合点密度、深度稳定性、几何复杂度和运动一致性）来选择高质量稀疏点。在后端，综合评分进一步与深度图像量化误差结合，构建逐点协方差矩阵，用于不确定性加权扫描-地图ICP和因子图噪声建模。KITTI和M2DGR数据集上的实验表明，与FAST-LIO2相比，所提方法分别将平均RMSE降低了15.8%和15.2%，而实际场地测试进一步显示相对于构建的参考轨迹，RMSE降低了26.3%。这些结果表明所提框架提高了建图质量和定位精度。
Keyword:
LiDAR
LiDAR–inertial SLAM
point cloud
closed-loop adjustment
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
引用论文
Loosely Coupled PPP/Inertial/LiDAR Simultaneous Localization and Mapping (SLAM) Based on Graph Optimization基于图优化的松耦合PPP/惯性/激光雷达同时定位与地图构建（SLAM）.png)
REMOTE SENSINGOAAI
REMOTE SENSINGIF4.1
OAAI分享收藏HV-LIOM: Adaptive Hash-Voxel LiDAR-Inertial SLAM with Multi-Resolution Relocalization and Reinforcement Learning for Autonomous ExplorationHV-LIOM：基于自适应哈希体素激光雷达-惯性SLAM的多分辨率重定位与强化学习自主探索SENSORS
SENSORSIF3.5
PREAI
分享收藏PIN-SLAM: LiDAR SLAM Using a Point-Based Implicit Neural Representation for Achieving Global Map ConsistencyPIN-SLAM: 使用基于点的隐式神经表示实现全局地图一致性的LiDAR SLAMOAAI
OAAI分享收藏分享收藏UA-LIO: An Uncertainty-Aware LiDAR-Inertial Odometry for Autonomous Driving in Urban Environments
PREAI
分享收藏
查看更多内容