M2DGR是RA-L来自上海交通大学导航所的工作,它是一个新颖的大规模数据集,由具有完整的传感器套件的地面机器人采集,套件包括六个鱼眼和一个指向天空的RGB相机,一个红外相机,一个事件相机,视觉惯性传感器(VI-传感器),惯性测量单元(IMU),激光雷达、消费级全球导航卫星系统(GNSS)接收器和GNSS-IMU导航系统实时运动学(RTK)信号。所有这些传感器都经过了良好的标定和同步,并且它们的数据被同时记录。地面真实轨迹由运动捕获装置、激光3D跟踪器和RTK接收器获得。该数据集包括室内和室外环境等不同场景中捕获的36个序列(约1TB)。作者在M2DGR上评估最先进的SLAM算法。结果表明,现有的解决方案在某些情况下表现较差。
M2DGR多源传感器数据采集小车:
M2DGR: A Multi-Sensor and Multi-Scenario SLAM Dataset for Ground Robots
代码:https://github.com/SJTU-ViSYS/M2DGR
目前该论文已被来着世界各地的SLAM研究者引用100余次,本文选择其中部分优秀的工作(大部分是开源)进行介绍。
Ground-Fusion: A Low-cost Ground SLAM System Robust to Corner Cases
会议:ICRA2024
代码:https://github.com/SJTU-ViSYS/Ground-Fusion
摘要:现有的低成本SLAM系统在处理极端情况时表现不佳,而且可能无法准确处理传感器的异常和退化,也可能在初始化阶段遇到困难。Ground-Fusion系统旨在解决这些问题。创新点:紧密集成了多种传感器(RGB-D图像、惯性测量、车轮里程计和GNSS信号)以实现准确可靠的定位。提出了一种高效的初始化策略,包括静态、视觉和动态三种方法,适应各种情况。开发了检测传感器异常和退化的机制,能够巧妙处理这些问题以保持系统的准确性。实验结果表明,Ground-Fusion系统在处理极端情况时胜过现有的低成本SLAM系统,证明了其优越的性能和准确性。
GRIL-Calib: Targetless Ground Robot IMU-LiDAR Extrinsic Calibration Method using Ground Plane Motion Constraints
会议:RA-L2023
论文:https://arxiv.org/pdf/2312.14035
代码:https://github.com/Taeyoung96/GRIL-Calib
摘要:随着IMU-LiDAR融合系统的重要性不断增加,无目标IMU-LiDAR外部标定方法引起了极大关注。值得注意的是,现有的标定方法基于这样一个假设,即这些方法需要在所有轴上进行完整运动。当IMU和LiDAR安装在地面机器人上,其运动受限于平面运动时,现有的标定方法可能表现出性能下降的情况。为了解决这个问题,我们提出了GRIL-Calib:一种新颖的无目标地面机器人IMU-LiDAR标定方法。我们提出的方法利用地面信息来弥补没有无限制完整运动的缺陷。首先,我们提出使用地面平面残差的LiDAR里程计(LO)来增强标定精度。其次,我们提出地面平面运动(GPM)约束,并将其纳入标定的优化中,使得可以确定完整的6自由度外部参数,包括理论上不可观测的方向。最后,与基准方法不同,我们将标定问题不是作为连续两个优化问题,而是作为一个单一优化(SO)问题,同时解决所有标定参数,提高了精度。我们通过将GRIL-Calib应用于三个公共实际数据集,并将其性能与现有最先进方法在准确性和鲁棒性方面进行比较来验证我们的GRIL-Calib。
Resilient and Distributed Multi-Robot Visual SLAM: Datasets, Experiments, and Lessons Learned
会议:IROS 2023
论文:https://arxiv.org/pdf/2304.04362
代码:https://github.com/MIT-SPARK/Kimera-Multi
摘要:本文重新审视Kimera-Multi,这是一个面向在现实世界中部署的分布式多机器人同时定位与地图构建(SLAM)系统。具体来说,本文有三个主要贡献。首先,我们描述了对Kimera-Multi的改进,使其能够适应大规模的现实世界部署,特别强调处理间歇性和不可靠通信的能力。其次,我们收集并发布了在麻省理工学院校园进行的实时实验期间获得的具有准确参考轨迹和地图的具有挑战性的多机器人基准数据集。这些数据集包括多达8个机器人穿越长距离(最长8公里),并且具有许多具有挑战性的因素,例如严重的视觉模糊(例如,在地下隧道和走廊中)、混合的室内外轨迹以及不同的光照条件,以及动态实体(例如,行人和汽车)。最后,我们评估了Kimera-Multi在不同通信场景下的韧性,并与集中式基线系统进行了定量比较。基于实时实验和后续分析的结果,我们讨论了Kimera-Multi的优点和缺点,并提出了算法和系统设计的未来方向。我们发布了Kimera-Multi的源代码和所有数据集,以促进进一步研究,实现可靠的多机器人SLAM系统在现实世界中的部署。
论文名 | 会议 | 其他 |
---|---|---|
LinK3D: Linear Keypoints Representation for 3D LiDAR Point Cloud | RA-L 2024 | https://github.com/YungeCui/LinK3D |
VoxelMap++: Mergeable Voxel Mapping Method for Online LiDAR(-inertial) Odometry | RA-L2023 | https://github.com/uestc-icsp/VoxelMapPlus_Public |
论文名 | 会议 | 其他 |
---|---|---|
A High-Precision LiDAR-Inertial Odometry via Invariant Extended Kalman Filtering and Efficient Surfel Mapping | TIM 2024 | - |
mVLINS: A Multilevel Visual-LiDAR-Inertial Navigation System with Completely Decoupled Odometry and Adaptive Environmental Mapping | TIV 2024 | - |
LOG-LIO: A LiDAR-Inertial Odometry with Efficient Local Geometric Information Estimation | RA-L 2023 | https://github.com/tiev-tongji/LOG-LIO |
Efficient 3D Deep LiDAR Odometry | T-PAMI2022 | https://github.com/IRMVLab/EfficientLO-Net |
Swarm-SLAM: Sparse Decentralized Collaborative Simultaneous Localization and Mapping Framework for Multi-Robot Systems | RA-L 2023 | https://github.com/MISTLab/Swarm-SLAM |
Fast and Robust LiDAR-Inertial Odometry by Tightly-Coupled Iterated Kalman Smoother and Robocentric Voxels | TITS 2024 | - |
LIVER: A Tightly Coupled LiDAR-Inertial-Visual State Estimator With High Robustness for Underground Environments | RA-L 2024 | - |
DAMS-LIO: A Degeneration-Aware and Modular Sensor-Fusion LiDAR-inertial Odometry | ICRA 2023 | https://arxiv.org/pdf/2302.01703 |
本文作者:殷杰,更多工作请参考:https://github.com/sjtuyinjie