Integrated trajectory estimation for 3D kinematic mapping with GNSS, INS and imaging sensors: A framework and review¹

方法分类

1. 多步方法。

​ 流程：首先用Kalman filtering 将GNSS和IMU融合到一起，如果轨迹足够准确，可以直接获得3D点云。也可以在后面加一个平差步骤，结合影像传感器的观测实现融合传感器定向，目的是：1）改正轨迹；2）传感器定向和标定；3）获取3D模型数据，e.g.点云。

​ 需要有一些假设：通常假设轨迹误差是由于缓慢变化的 GNSS 误差或未补偿的惯性传感器漂移造成的，因此是低频的，而轨迹的较高频率分量相对准确。 实际上，校正要么与飞行几何相关联，作为每条带的固定偏移，要么建模为缓慢时变。 由于轨迹误差在带内也可能变化很大，因此这种调整在实践中通常需要高度灵活的校正模型，而这也是的模型有较高的过拟合风险，导致点云中出现全局的变形。

​ 这些问题是的在传感器层级进行统一的误差建模的方法开始流形。

回环检测

​ 闭环的作用就不多说了，koide采用的闭环检测方法其实挺简单的，就是一般闭环检测的基础准则。

候选准则

• 候选帧不能离当前帧太近，场景变化不大的话，会引入过多的冗余匹配，对实时应用不合适；
• 候选帧和当前帧的位姿之间的距离要足够小，这个是前提，如果都不小，那说明大概率不是闭环了，但是也不排除前端飘得确实很厉害的情况；小范围内，这个条件还是可以满足的，室外更大的场景，这种就不行了，可能飘得很厉害，只能上特征了。

1. 针对性设计的平面提取方法

​ 因为这里使用的传感器其实一个组装的VLP16型多线激光雷达+相机+imu的背包激光扫描仪，作者考虑到LiDAR有一定的安置误差(提前肯定标定了的，e.g.倾角)，而本文使用的又是室内场景平面，因此需要根据一个仪器安装的先验确定z轴方向指向哪里（默认传感器的坐标系为右前上，z轴指向天空）。得到这个倾角主要是为了修正LiDAR坐标系的z轴方向。这对后续的高度滤波和地面点判断都有一定的影响。

​ 在提取平面时，为了提升效率，首先基于扫描仪的高度，通过高度滤波将一定高度之外的点去掉，同时对剩下的点云计算法向量（通过提前性的点云剔除，可以提升这里的计算效率）进行过滤，和z方向进行比较，保留地面点（和z轴夹角小就说明方向近似），用RANSAC的方式拟合平面参数方程。 这样就可以以较快的速度从单帧点云中提取出一个合适的平面。注意：原文中写的是直接用RANSAC提取平面的，这个非常的费时间，实际操作并不是这样子来的。

B-Spline（=Basic Spline）

需求

• 需要利用样条函数拟合时相连续的数据，e.g. IMU data。
• 利用样条函数拟合散点，做表面拟合，e.g. 构建mesh或者其他光滑的表面。
• 路径规划中使用样条线对A*算法进行优化，得到更加平滑的路径。
• 多传感器融合任务中，e.g.多传感器标定时，为了内插任意时刻的状态，实现多传感器的时间对齐，使用B-spline做内插。

IMU主要由加速度计和陀螺仪构成，因此IMU中包含的原始数据是角速度和线加速度，包含timestamp ang_vel_x ang_vel_y ang_vel_z lin_acc_x lin_acc_y lin_acc_z，然后通过积分的方式得到__orientation__,position,__velocity__信息。

• 3轴IMU即只有3轴陀螺仪的IMU，其因为只有一个3轴陀螺仪，所以只能感知载体roll、pitch、yawl共3个自由度的姿态信息。
• 6轴IMU在3轴IMU的基础上加装了3轴加速度计，因此在感知载体姿态的基础上，还能感知载体3个自由度上的加速度信息。
• 9轴IMU在6轴IMu的基础上加装了3轴磁强计，由于3轴陀螺仪只能估计载体自身的相对位姿变化（通过加速度计也可获得载体的绝对roll和pitch），单凭3轴陀螺仪无法获取载体的全部姿态信息，而通过3轴磁强计就可以，本质上磁强计的感知原理类似于指南针。