清华大学提出基于ESKF的松耦合里程计RINO：一种具有非迭代估计的精确、稳健的雷达惯性里程计

文章预览

Abstract 精确的定位和建图对于实现自动驾驶车辆的自主导航至关重要。然而，当GNSS信号失效或在极端天气条件（例如雾、雨和雪）下，车体运动估计仍然面临重大挑战。近年来，扫描雷达因其较强的穿透能力成为一种有效的解决方案。然而，扫描雷达数据本质上噪声较高，需通过成百上千次的优化迭代，才能从这些噪声数据中估计出可靠的转换结果。这种迭代求解既耗时、不稳定，又容易失败。为了解决这些挑战，我们提出了RINO，一种准确且稳健的雷达惯性里程计系统，它采用非迭代的求解方法。该方法分离旋转和平移估计，并通过自适应投票机制进行2D旋转估计，提高了效率，同时保证了解的时间一致性。此外，该方法在扫描雷达和惯性测量单元（IMU）之间实现了松耦合系统，利用了误差状态卡尔曼滤波（ESKF）。值得注意的是，我们成功估计 ………………………………