使用高斯过程运动先验的连续时间雷达-惯性与激光雷达-惯性里程计
Continuous-Time Radar-Inertial and Lidar-Inertial Odometry using a Gaussian Process Motion Prior
AI总结：
本文提出基于高斯过程运动先验的连续时间雷达-惯性与激光雷达-惯性里程计，利用稀疏先验降低计算复杂度，并通过融合IMU将雷达里程计性能提升43%，实现实时运行。
摘要：
在这项工作中，我们展示了使用高斯过程运动先验的连续时间雷达-惯性和激光雷达-惯性里程计。通过使用稀疏先验，我们证明了在预积分和插值过程中计算复杂度的改善。我们使用加速度白噪声运动先验，将陀螺仪视为状态的直接测量，同时对加速度计测量进行预积分以形成相对速度因子。我们的里程计采用滑动窗口批量轨迹估计实现。据我们所知，我们的工作是首次展示使用陀螺仪和加速度计测量的旋转机械雷达的雷达-惯性里程计。通过融合IMU，我们将雷达里程计的性能提高了43%。我们的方法高效，并展示了实时性能。本文代码可在以下地址找到：https://github.com/utiasASRL/steam_icp
英文摘要：
In this work, we demonstrate continuous-time radar-inertial and lidar-inertial odometry using a Gaussian process motion prior. Using a sparse prior, we demonstrate improved computational complexity during preintegration and interpolation. We use a white-noise-on-acceleration motion prior and treat the gyroscope as a direct measurement of the state while preintegrating accelerometer measurements to form relative velocity factors. Our odometry is implemented using sliding-window batch trajectory estimation. To our knowledge, our work is the first to demonstrate radar-inertial odometry with a spinning mechanical radar using both gyroscope and accelerometer measurements. We improve the performance of our radar odometry by \change{43\%} by incorporating an IMU. Our approach is efficient and we demonstrate real-time performance. Code for this paper can be found at: https://github.com/utiasASRL/steam_icp
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
