导读

本文提出了一种名为Leg-KILO（Kinematic-Inertial-Lidar Odometry）的多传感器融合框架，专为动态足式机器人设计。为解决高动态运动导致的IMU漂移和LiDAR失真问题，该方法紧密耦合腿部里程计、惯性测量单元（IMU）和LiDAR数据，并结合图优化实现回环检测。通过提出基于误差状态卡尔曼滤波器的腿部运动学惯性里程计、高动态自适应扫描分割方法和机器人中心增量建图，显著提高了高度和位置估计的精度。实验表明，Leg-KILO在室内外环境中的漂移显著小于现有的LiDAR方法，尤其在高动态运动中表现出优越的鲁棒性。研究还公开了相关数据集和代码以供社区使用。

论文信息

• 标题：Leg-KILO: Robust Kinematic-Inertial-Lidar Odometry for Dynamic Legged Robots
• 作者：Guangjun Ou , Dong Li , and Hanmin Li
• 论文链接：https://ieeexplore.ieee.org/document/10631676
• 项目地址：https://github.com/ouguangjun/Leg-KILO

动机(Motivation)

本文的研究动机源于动态足式机器人在高动态运动中状态估计面临的挑战，以及现有方法的局限性：

1. 高动态运动中的问题：

• 动态足式机器人（如四足机器人）在高动态运动（如跑步或快步）时，足部冲击频繁，导致惯性测量单元（IMU）数据退化，尤其是加速度计的漂移。
• LiDAR扫描会受到运动失真影响，进一步导致基于LiDAR的SLAM系统难以稳定运行。
• IMU与LiDAR在高动态环境中容易累积漂移，尤其是在高度（Z轴）方向。

2. 现有方法的不足：

• 单纯依赖IMU或LiDAR的状态估计方法在高动态运动中误差较大，不能满足动态足式机器人导航的需求。
• 许多现有方法侧重于中低速运动场景，而忽视了在高速动态环境下状态估计的精度和鲁棒性。
• 一些仅基于腿部运动学和惯性测量的估计方法容易在长时间运动中累积显著漂移，且在发生足部滑动等突发状况时可能失效。

3. 解决这一问题的必要性：

• 提升足式机器人在动态、高速场景中的状态估计精度和鲁棒性是实现其在复杂环境中自主导航和控制的关键。
• 需要整合多传感器（如腿部运动学、IMU、LiDAR）的信息，发挥各自优势，弥补单一传感器的局限性。

基于以上背景，本文提出了Leg-KILO框架，旨在通过多传感器融合和高效的优化方法，解决动态足式机器人在高动态运动中的状态估计问题，推动相关领域的发展。

创新点

1. 腿部运动学-惯性里程计的改进：提出了一种基于误差状态卡尔曼滤波器（ESKF）的腿部运动学-惯性里程计方法，结合接触高度检测约束，有效减少了由足部冲击引起的高度波动。

2. 自适应扫描切片与拼接：针对高动态运动带来的LiDAR扫描失真问题，提出了一种自适应扫描切片与拼接方法，根据机器人运动速度动态调整扫描角度，提高了输入频率的同时降低了运动失真。

3. 机器人中心增量地图：设计了一种机器人中心的增量式局部地图维护方法，通过增量kd-tree技术高效处理点云的添加和删除，减少了地图维护的计算开销。

4. 多传感器紧密耦合与回环优化：通过图优化框架将腿部里程计、LiDAR里程计以及回环检测紧密耦合，从而提升了系统的全局定位精度。

5. 全面的实验验证与数据共享：在室内外高动态环境下验证了方法的鲁棒性和精确性，结果优于其他LiDAR惯性里程计方法，同时公开了包含腿部运动学数据的LiDAR惯性数据集和代码，促进了社区研究。

本文核心算法

System overview.

本文的核心算法围绕Leg-KILO框架，融合腿部运动学、惯性测量单元（IMU）和LiDAR数据，通过创新的算法模块提升动态足式机器人在高动态环境中的状态估计能力。以下是算法的主要组成：

1. 腿部运动学-惯性里程计

结合机器人腿部运动学和IMU数据，提出了一种基于误差状态卡尔曼滤波器（ESKF）的腿部里程计算法：

• 状态预测：利用运动学模型预测机器人在空间中的位置、速度和姿态。
• 状态更新：融合足端速度、足端位置和接触高度检测等多种观测，减少由于足部冲击引起的高度波动和漂移。
• 接触高度检测：通过机器人中心的增量地图计算足端接触点的高度，有效降低动态运动中高度方向的累积误差。

2. LiDAR里程计

为了适应动态运动带来的点云失真问题，提出了以下创新方法：

• 自适应扫描切片与拼接：根据机器人运动速度动态调整LiDAR扫描切片的角度，拼接当前和历史扫描切片以生成高频的去畸变点云。
• 点云匹配与优化：使用点到线和点到面的匹配算法对点云进行优化，提升位姿估计的精度。
• 增量式地图维护：采用增量kd-tree技术动态管理局部地图，通过高效添加与移除点云，实现对大规模点云的实时维护。

3. 因子图优化

通过因子图紧密耦合腿部里程计、LiDAR里程计和回环检测：

• 因子图结构：整合腿部里程计的相对位姿、LiDAR里程计的相对位姿以及回环检测的匹配信息，形成优化目标。
• 回环检测：基于距离约束的回环检测方法，选择匹配帧对进行闭环优化，进一步提升全局定位精度。

4. 系统流程

1. 使用腿部运动学和IMU数据进行预测和初步状态估计。
2. 通过自适应扫描与拼接生成高频点云，优化点云匹配结果。
3. 将腿部里程计、LiDAR里程计及回环检测结果融合到因子图中，实现全局优化。
4. 维护增量式局部地图，确保实时性和计算效率。

实验仿真结果

本文提出的方法与其他方法的相对位姿误差（RPE）的比较

Comparison of trajectory for various methods on parking.

在平地上跑步时，不同方法对高度变化的比较。跑步时，车身高度会略有下降，不会超过图中的灰色区域。

untime comparison on sequence parking.

总结 & 展望

本文提出了一种基于运动学-惯性-LiDAR的里程计方法——Leg-KILO。通过引入腿部运动学约束，增强了基于LiDAR里程计的稳定性。此外，提出了一种自适应扫描切片与拼接方法，以缓解动态运动的影响。同时，采用一种以机器人为中心的增量式局部地图维护方法，显著降低了地图维护的时间成本。通过因子图优化，将腿部里程计、LiDAR里程计和回环检测因子进行整合，以提高定位精度。

本文的方法在多种高动态运动环境下（采用快步运动方式）进行了广泛的测试，结果表明，与其他先进的LiDAR方法相比，Leg-KILO更适合动态四足机器人的运动场景。以机器人为中心的局部地图维护对接触高度检测的精度有重要影响。未来，我们将更加关注地图一致性的改进，以进一步提升接触高度检测和点云配准的精度。

本文仅做学术分享，如有侵权，请联系删文！

关键词:传感器 仪器 仪表

浏览量：61

来 源：智驾机器人技术前线

编辑：西米

声明：凡本网注明"  来源：仪商网"的所有作品，版权均属于仪商网，未经本网授权不得转载、摘编使用。
经本网授权使用，并注明"来源：仪商网"。违反上述声明者，本网将追究其相关法律责任。
本网转载并注明自其它来源的作品，归原版权所有人所有。目的在于传递更多信息，并不代表本网赞同其观点或证实其内容的真实性，不承担此类作品侵权行为的直接责任及连带责任。如有作品的内容、版权以及其它问题的，请在作品发表之日起一周内与本网联系，否则视为放弃相关权利。
本网转载自其它媒体或授权刊载，如有作品内容、版权以及其它问题的，请联系我们。相关合作、投稿、转载授权等事宜，请联系本网。
QQ：2268148259、3050252122。