港大MARS实验室发布！ Fast-LiVO2：快速、直接的激光雷达惯性视觉里程计

这篇论文提出了FAST-LIVO2：一种快速、直接的LiDAR-惯性-视觉里程计框架，用于在同步定位与建图（SLAM）任务中实现精确且鲁棒的状态估计，并在实时、机载机器人应用中展现出巨大潜力。FAST-LIVO2通过误差状态迭代卡尔曼滤波器（ESIKF）高效融合了IMU、LiDAR和图像测量数据。为了应对异构LiDAR和图像测量数据之间的维度不匹配问题，我们在卡尔曼滤波器中采用了顺序更新策略。为了提高效率，我们在视觉和LiDAR融合中均使用了直接方法，其中LiDAR模块注册原始点云而不提取边缘或平面特征，视觉模块最小化直接光度误差而不提取ORB或FAST角点特征。视觉和LiDAR测量数据的融合基于一个统一的体素地图，其中LiDAR模块构建几何结构用于注册新的LiDAR扫描，视觉模块将图像块附加到LiDAR点（即视觉地图点）上，允许新图像的对齐。为了提高图像对齐的准确性，我们使用了来自体素地图中LiDAR点的平面先验（并在对齐过程中进一步优化平面先验），并在新图像对齐后动态更新参考图像块。此外，为了增强图像对齐的鲁棒性，FAST-LIVO2采用了按需光线投射操作并实时估计图像曝光时间。我们在基准数据集和私有数据集上进行了广泛的实验，结果表明，我们提出的系统在精度、鲁棒性和计算效率方面显著优于其他最新的里程计系统。此外，系统中关键模块的有效性也得到了验证。最后，我们详细介绍了FAST-LIVO2的三个应用：无人机机载导航展示了系统在实时机载导航中的计算效率，空中测绘展示了系统的测绘精度，以及3D模型渲染（基于网格和基于NeRF）强调了我们重建的高密度地图在后续渲染任务中的适用性。

文章名称：【FAST-LIVO2: Fast, Direct LiDAR-Inertial-Visual Odometry】
文章链接：http://arxiv.org/abs/2408.14035
代码仓库：https://github.com/hku-mars/FAST-LIVO2