arXiv cs.RO 机器人学· Seongjun Kim, Daehan Lee, Junwoo Hong, Sanghyun Park, Hyunyoung Jo, Soohee Han·· 5 小时前精选AI 评分57
ALIVE-LIO：面向退化环境的 ESKF 激光惯性里程计学习方法
ALIVE-LIO: Degeneracy-Aware Learning of Inertial Velocity for Enhancing ESKF-Based LiDAR-Inertial Odometry
AI 导读
ALIVE-LIO 提出一种退化感知的激光惯性里程计（LIO）框架，将深度神经网络与经典误差状态卡尔曼滤波（ESKF）结合，在检测到退化时才把网络预测的机体坐标系速度选择性融合进 ESKF，以补偿长走廊、单面墙等场景下 LiDAR 可观测性的损失。实验在公开退化数据集和自采数据上进行，ALIVE-LIO 在 32 个序列中的 22 个取得最优结果，显著降低退化环境下的位姿漂移，代码已开源。
推荐理由
论文给出在退化方向选择性融合神经网络速度预测的做法，可为 ESKF 类里程计的退化处理提供参考。
来源：arXiv cs.RO 机器人学 · arxiv.org