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：