一个利用GT-SAM的紧耦合激光雷达惯导里程计的框架

前言

LIO-SAM的全称是：Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping，从全称上可以看出，该算法是一个紧耦合的雷达惯导里程计（Tightly-coupled Lidar Inertial Odometry），借助的手段就是利用GT-SAM库中的方法。

LIO-SAM 提出了一个利用GT-SAM的紧耦合激光雷达惯导里程计的框架。实现了高精度、实时的移动机器人的轨迹估计和建图。在之前的博客讲解了imu如何进行预积分，最终以imu的频率发布了imu的预测位姿里程计。

本篇博客主要讲解，最终是如何进行位姿融合输出的

Eigen::Affine3f

其中功能的核心在于 位姿间的变换，所以要了解 Eigen::Affine3f 部分的内容，Affine3f 是eighen库的仿射变换矩阵

实际上就是：平移向量+旋转变换组合而成，可以同时实现旋转，缩放，平移等空间变换。

Eigen库中，仿射变换矩阵的大致用法为：

创建Eigen::Affine3f 对象a。

创建类型为Eigen::Translation3f 对象b，用来存储平移向量；

创建类型为Eigen::Quaternionf 四元数对象c，用来存储旋转变换；

最后通过以下方式生成最终Affine3f变换矩阵：a=b*c.toRotationMatrix();

一个向量通过仿射变换时的方法是result_vector=test_affine*test_vector;

仿射变换包括：平移、旋转、放缩、剪切、反射

平移（translation）和旋转（rotation）顾名思义，两者的组合称之为欧式变换（Euclidean transformation）或刚体变换（rigid transformation）；

放缩（scaling）可进一步分为uniform scaling和non-uniform scaling，前者每个坐标轴放缩系数相同（各向同性），后者不同；

如果放缩系数为负，则会叠加上反射（reflection）——reflection可以看成是特殊的scaling；

刚体变换+uniform scaling 称之为，相似变换（similarity transformation），即平移+旋转+各向同性的放缩；

位姿融合输出

在imu预积分的节点中，在main函数里面 还有一个类的实例对象，那就是

TransformFusion TF

其主要功能是做位姿融合输出，最终输出imu的预测结果，与上节中的imu预测结果的区别就是：

该对象的融合输出是基于全局位姿的基础上再进行imu的预测输出。全局位姿就是 经过回环检测后的lidar位姿。

建图优化会输出两种激光雷达的位姿：

lidar 增量位姿

lidar 全局位姿

其中lidar 增量位姿就是 通过 lidar的匹配功能，优化出的帧间的相对位姿，通过相对位姿的累积，形成世界坐标系下的位姿

lidar全局位姿 则是在 帧间位姿的基础上，通过 回环检测，再次进行优化的 世界坐标系下的位姿，所以对于增量位姿，全局位姿更加精准

在前面提到的发布的imu的预测位姿是在lidar的增量位姿上基础上预测的，那么为了更加准确，本部分功能就预测结果，计算到基于全局位姿的基础上面。首先看构造函数

  TransformFusion()  {    if(lidarFrame != baselinkFrame)    {      try      {          tfListener.waitForTransform(lidarFrame, baselinkFrame, ros::Time(0), ros::Duration(3.0));        tfListener.lookupTransform(lidarFrame, baselinkFrame, ros::Time(0), lidar2Baselink);      }      catch (tf::TransformException ex)      {        ROS_ERROR("%s",ex.what());      }    }

判断lidar帧和baselink帧是不是同一个坐标系，通常baselink指车体系，如果不是，查询 一下 lidar 和baselink 之间的 tf变换 ros::Time(0) 表示最新的，等待两个坐标系有了变换，更新两个的变换 lidar2Baselink

    subLaserOdometry = nh.subscribe("lio_sam/mapping/odometry", 5, &TransformFusion::lidarOdometryHandler, this, ros::TransportHints().tcpNoDelay());    subImuOdometry  = nh.subscribe(odomTopic+"_incremental",  2000, &TransformFusion::imuOdometryHandler,  this, ros::TransportHints().tcpNoDelay());

订阅地图优化的节点的全局位姿 和预积分节点的 增量位姿

    pubImuOdometry  = nh.advertise(odomTopic, 2000);    pubImuPath    = nh.advertise  ("lio_sam/imu/path", 1);

发布两个信息 odomTopic ImuPath，然后看第一个回调函数lidarOdometryHandler

  void lidarOdometryHandler(const nav_msgs::ConstPtr& odomMsg)  {    std::lock_guard lock(mtx);    lidarOdomAffine = odom2affine(*odomMsg);    lidarOdomTime = odomMsg->header.stamp.toSec();  }

将全局位姿保存下来，将ros的odom格式转换成 Eigen::Affine3f 的形式，将最新帧的时间保存下来，第二个回调函数是imuOdometryHandler，imu预积分之后所发布的imu频率的预测位姿

  void imuOdometryHandler(const nav_msgs::ConstPtr& odomMsg)  {

    static tf::TransformBroadcaster tfMap2Odom;    static tf::Transform map_to_odom = tf::createQuaternionFromRPY(0, 0, 0), tf::Vector3(0, 0, 0));

建图的话 可以认为 map坐标系和odom坐标系 是重合的（初始化时刻）

tfMap2Odom.sendTransform(tf::StampedTransform(map_to_odom, odomMsg->header.stamp, mapFrame, odometryFrame));

发布静态tf，odom系和map系 他们是重合的

imuOdomQueue.push_back(*odomMsg);

imu得到的里程计结果送入到这个队列中

    if (lidarOdomTime == -1)      return;

如果没有收到lidar位姿 就returen

    while (!imuOdomQueue.empty())    {      if (imuOdomQueue.front().header.stamp.toSec() <= lidarOdomTime)        imuOdomQueue.pop_front();      else        break;    }

弹出时间戳 小于 最新 lidar位姿时刻之前的imu里程计数据

    Eigen::Affine3f imuOdomAffineFront = odom2affine(imuOdomQueue.front());    Eigen::Affine3f imuOdomAffineBack = odom2affine(imuOdomQueue.back());    Eigen::Affine3f imuOdomAffineIncre = imuOdomAffineFront.inverse() * imuOdomAffineBack;

计算最新队列里imu里程计的增量

Eigen::Affine3f imuOdomAffineLast = lidarOdomAffine * imuOdomAffineIncre;

增量补偿到lidar的位姿上去，就得到了最新的预测的位姿

    float x, y, z, roll, pitch, yaw;    pcl::getTranslationAndEulerAngles(imuOdomAffineLast, x, y, z, roll, pitch, yaw);

分解成平移 + 欧拉角的形式

    nav_msgs::Odometry laserOdometry = imuOdomQueue.back();    laserOdometry.pose.pose.position.x = x;    laserOdometry.pose.pose.position.y = y;    laserOdometry.pose.pose.position.z = z;    laserOdometry.pose.pose.orientation = tf::createQuaternionMsgFromRollPitchYaw(roll, pitch, yaw);    pubImuOdometry.publish(laserOdometry);

发送全局一致位姿的 最新位姿

    static tf::TransformBroadcaster tfOdom2BaseLink;    tf::Transform tCur;    tf::poseMsgToTF(laserOdometry.pose.pose, tCur);    if(lidarFrame != baselinkFrame)      tCur = tCur * lidar2Baselink;

更新tf

    tf::StampedTransform odom_2_baselink = tf::StampedTransform(tCur, odomMsg->header.stamp, odometryFrame, baselinkFrame);    tfOdom2BaseLink.sendTransform(odom_2_baselink);

更新odom到baselink的tf

    static nav_msgs::Path imuPath;    static double last_path_time = -1;    double imuTime = imuOdomQueue.back().header.stamp.toSec();    // 控制一下更新频率，不超过10hz    if (imuTime - last_path_time > 0.1)    {      last_path_time = imuTime;      geometry_msgs::PoseStamped pose_stamped;      pose_stamped.header.stamp = imuOdomQueue.back().header.stamp;      pose_stamped.header.frame_id = odometryFrame;      pose_stamped.pose = laserOdometry.pose.pose;      // 将最新的位姿送入轨迹中      imuPath.poses.push_back(pose_stamped);      // 把lidar时间戳之前的轨迹全部擦除      while(!imuPath.poses.empty() && imuPath.poses.front().header.stamp.toSec() < lidarOdomTime - 1.0)        imuPath.poses.erase(imuPath.poses.begin());      // 发布轨迹，这个轨迹实践上是可视化imu预积分节点输出的预测值      if (pubImuPath.getNumSubscribers() != 0)      {        imuPath.header.stamp = imuOdomQueue.back().header.stamp;        imuPath.header.frame_id = odometryFrame;        pubImuPath.publish(imuPath);      }    }  }

发布imu里程计的轨迹，控制一下更新频率，不超过10hz，将最新的位姿送入轨迹中，把lidar时间戳之前的轨迹全部擦除，发布轨迹，这个轨迹实践上是可视化imu预积分节点输出的预测值

result

其中粉色的部分就是imu的位姿融合输出path。

审核编辑：刘清