现有激光雷达(LiDAR)递推导航算法中，多数采用了LiDAR帧到地图的数据关联方式，构建了一种的绝对位姿测量模型，造成了导航状态估计的不一致(其理论方差过于乐观)。新型固态LiDAR具有非重复式扫描的特性，为帧间数据关联提供了便利。我们提出了一种不显式提取点云特征的LiDAR帧间数据关联算法，构建了LiDAR帧间的相对位姿测量模型，保证了其误差建模的一致性，实现了基于帧间数据关联的固态LiDAR/惯性紧耦合导航状态估计。

    固态激光雷达(LiDAR)由于其低成本、高可靠性和大规模量产能力，已经被广泛应用于各类智能无人系统中。然而，目前大部分LiDAR递推导航算法采用了当前帧到自建（在线实时构建）地图关联(Frame-to-map，F2M)方式，没有设置反映自建地图误差的模型参数，因此构建了一种失真的(或者说虚假的)绝对位姿测量模型，出现了虚假的可观测性，造成了导航状态估计的不一致(即估计状态的误差水平与理论方差偏离)。采用F2M方式，不仅不能以紧耦合的方式引入全球导航卫星系统(GNSS)、高精度地图这类绝对定位信息，还会伤害诸如惯性测量单元(IMU)这类相对定位传感器的性能。就LiDAR/惯性里程计(LIO)而言， F2M会造成错误的IMU零偏估计，也无法估计LiDAR-IMU的时空偏差参数(外参)。部分LiDAR递推导航算法尝试构建了帧间数据关联(Frame-to-frame，F2F)，但是存在着计算效率低、环境适应性不足等问题，也不适用于新型固态LiDAR。

图1 帧到自建地图关联与帧间数据关联方式示意图

表1 帧到自建地图关联与帧间数据关联的LIO算法对比

    针对图1和表1所示帧到自建地图关联与帧间数据关联的区别，我们面向LiDAR的多源融合导航应用，提出了一种帧间数据关联的固态LiDAR/惯性导航状态估计器FF-LINS(Tang Hailiang et. al, 2023)，实现了复杂环境下实时、稳健、精确的递推导航定位。FF-LINS借鉴我们前期视觉工作(Niu Xiaoji et. al, 2023)，将以惯导为核心的思想应用于LiDAR导航，充分发挥了惯导的自主连续推算导航和时空传递能力。FF-LINS的系统设计原理见图2，主要特点如下：

1、提出了一种符合状态估计一致性的固态LiDAR惯性导航状态估计器：在图优化的框架下实现了LiDAR和IMU测量的紧耦合导航；LiDAR和IMU时空参数被精确建模以进行在线估计和补偿，从而提高导航定位的精度。

2、提出了一种巧妙的LiDAR帧间数据关联算法：通过连续的惯导先验位姿，累积多个LiDAR点云帧，构建了不显式提取特征点云的关键帧点云地图；通过在滑动窗口内的关键帧点云地图中寻找最近邻点，实现LiDAR的帧间数据关联。

3、提出了一种LiDAR帧间测量模型：构建了LiDAR帧与帧之间的相对位姿测量模型，推导了LiDAR帧间测量残差及其对IMU位姿和LiDAR-IMU时空参数雅可比矩阵的解析形式。

    我们已开源了FF-LINS的源代码及使用的固态LiDAR/惯性数据集(https://github.com/i2Nav-WHU/FF-LINS)。

图2 FF-LINS的系统框图

    本工作充分发挥了惯导的短期相对精度，通过累积多个LiDAR帧实现了帧间数据关联，解决了帧到自建地图关联算法造成的导航状态估计不一致性问题，可以无缝地集成到包含GNSS、高精度地图等绝对定位信息的多源融合导航系统中。另外，本工作已经被证明同样适用于传统的机械扫描式LiDAR，并对LiDAR-IMU外参的在线估计、大尺度点云地图构建等应用需求都具有重要参考价值。

相关成果发表在IEEE RAL上，可在团队网站(i2nav.cn)的“研究成果-学术论文”列表中下载。（Link）

相关阅读

[1] Hailiang Tang, Tisheng Zhang, Xiaoji Niu, Liqiang Wang, Linfu Wei, and Jingnan Liu, “FF-LINS: A Consistent Frame-to-Frame Solid-State-LiDAR-Inertial State Estimator,” IEEE Robotics and Automation Letters, vol. 8, no. 12, pp. 8525–8532, Dec. 2023, doi: 10.1109/LRA.2023.3329625.

[2] Xiaoji Niu, Hailiang Tang, Tisheng Zhang, Jing Fan, and Jingnan Liu, “IC-GVINS: A Robust, Real-Time, INS-Centric GNSS-Visual-Inertial Navigation System,” IEEE Robotics and Automation Letters, vol. 8, no. 1, pp. 216–223, Jan. 2023, doi: 10.1109/LRA.2022.3224367.