多传感器融合定位

项目实践

• 项目一：基于直接匹配的前端里程计

  学习激光传感器原理。学习基于直接匹配的前端里程计方案，包括ICP匹配以及NDT匹配算法。推导基于点到点的ICP算法的SVD解法以及推导经典NDT算法。学习点云畸变的原因以及补偿方法。最后使用KITTI数据集，结合KITTI数据集实现一个基于SVD的ICP匹配算法的前端里程计。并学习使用evo工具评测前段里程计精度。

• 项目二：基于特征的前端里程计

  学习特征中的点线面几何基础，及点云线面特征提取。学习基于线面特征的位姿优化，推导特征法中的线，面残差模型，并推导相应的雅可比。学习现有的开源特征里程计，包括A-LOAM，F-LOAM，LOAM。学习ceres-solver的解析求导与自动求导。使用C++语言和ceres-soler实现基于特征的解析式求导特征里程计。

  
  

• 项目三：基于点云地图的定位

  学习回环检测方法，主要包括有初始相对位姿和无初始相对位姿的方法;学习后端优化基本原理，以及相关数学知识和公式推导。学习基于回环的位姿优化。在课程提供的工程框架的基础上学习点云地图建立的流程，以及工程框架的设计思路。使用C++实现基于点云地图的定位，及载体在地图中任意位置的初始化。

• 项目四：惯性器件误差分析及标定

  学习惯性器件的误差组成并分析惯性器件的误差。学习惯性器件内参误差标定的方法。使用C++语言，按照不需要转台标定方法中所给出的内参模型及残差模型，推导加速度计对应残差对加速度内参的雅可比。使用推导出来的内参模型在仿真数据上验证内参的标定。

• 项目五：惯性导航解算

  学习三维运动描述的基础知识与微分性质，包括四元数和旋转矩阵以及微分方程。学习惯性导航解算，包括欧拉法以及中值法。推导误差方程，包括姿态，速度，位置误差方程。使用C++语言，利用IMU仿真数据，完成基于中值法和欧拉法的解算，并对精度做对比分析。

• 项目六：基于滤波的融合方法

  学习滤波器的作用基本原理，主要包括贝叶斯滤波的原理，卡尔曼滤波的推导，扩展卡尔曼滤波和迭代扩展卡尔曼滤波的推导。学习卡尔曼滤波器实际使用流程。使用C++语言，构建滤波器，在KITTI上实现基于地图的Lidar和IMU的融合定位。

  
  

• 项目七：运动模型约束融合定位

  学习编码器运动模型与标定，学习融合编码器，运动约束和点云特征的的滤波方法。在基于滤波的融合方法的基础上，实现融合运动模型的滤波方法。对比加入运动约束模型约束前后的滤波精度变化。

• 项目八：基于图优化的建图方法

  学习预积分的融合方案流程，以及预积分的模型设计和预积分在优化中的使用。设计预积分的残差，推导雅可比和计算残差的方差。介绍典型方案LIO-SAM。推导融合编码器时的预积分公式的推导。使用C++实现基于IMU预积分的融合方法。