Motivation
監(jiān)測鐵路安全運營需要精確的軌道車輛定位和長期的鐵路環(huán)境。國內(nèi)現(xiàn)行鐵道系統(tǒng)的定位策略仍以軌旁系統(tǒng)為主，不僅實時性和準(zhǔn)確率都差，而且需要大量的前期投資和后續(xù)維護。雖然已經(jīng)有基于GNSS和odometry的研究，但是這類方法缺失了對于環(huán)境的感知信息，并且會受到GNSS環(huán)境的限制。所以加入諸如雷達(dá)和相機的感知進(jìn)行輔助融合是一個可行的方向，但是在鐵路系統(tǒng)加入lidar和相機存在幾個問題：
一是運動長時間受到約束，軌道車輛被限制沿平面軌跡移動，導(dǎo)致 IMU存在非觀測方向的虛假信息增益。這種問題會導(dǎo)致許多VIO的大規(guī)模漂移。
二是鐵路系統(tǒng)信息重復(fù)，主要可觀察的特征是重復(fù)的鐵軌和懸架夾具，這對于基于特征跟蹤的方法具有挑戰(zhàn)性。
三是鐵路系統(tǒng)基本無回環(huán)，現(xiàn)有的SLAM 通常使用地標(biāo)描述符來檢測重訪問的地點，并在檢測到的循環(huán)上糾正累積的漂移。鐵路系統(tǒng)沒有回環(huán)，所以需要更加低漂移的位姿估計。
Contribution
這篇文章提出了一個框架，基于滑窗因子圖將 LiDAR、IMU、軌道車輛車輪里程計、相機和 GNSS 緊密融合。實驗結(jié)果表明，融合后的系統(tǒng)對于大規(guī)模鐵路環(huán)境定位足夠準(zhǔn)確，并且對鐵路上的長時間倒退具有魯棒性。
充分利用傳感器測量的幾何信息，利用提取的鐵軌和消失點的平面約束來提高系統(tǒng)精度和魯棒性。實驗證明這些特征有效地限制了具有重復(fù)結(jié)構(gòu)的區(qū)域的高度和旋轉(zhuǎn)誤差。
實驗中所使用的數(shù)據(jù)集時長跨度一年多，涵蓋各種規(guī)模、天氣和鐵路狀況。