G-Loc：利用先验拓扑-度量信息的紧耦合图定位
G-Loc: Tightly-coupled Graph Localization with Prior Topo-metric Information
- Instituto Tecnológico de Aragón (ITA)（阿拉贡理工学院）
- Instituto de Investigación en Ingeniería de Aragón (I3A)（阿拉贡工程研究所）
- Universidad de Zaragoza（萨拉戈萨大学）
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
本文提出 G-Loc 紧耦合图定位框架，复用先验拓扑与度量信息，并融合 LiDAR、惯性、GNSS 及点云到地图配准，以实现在多种传感器和环境条件下准确、高效、通用的在线定位。
AI中文摘要：
在已建图环境中的定位是许多机器人与汽车应用的关键组成部分，在这些应用中，可利用先前获取的信息以及传感器融合来提供鲁棒且准确的定位估计。在本工作中，我们通过复用先验拓扑与度量信息，为基于地图的定位提供了新视角。因此，我们重新表述了这一长期研究的问题，使其超越仅使用度量地图的做法。我们的框架以滑动窗口图的方式无缝集成了 LiDAR、惯性和 GNSS 测量，以及点云到地图的配准，从而能够容纳每次观测的不确定性。该框架的模块化使其能够适配不同的传感器配置（例如 LiDAR 分辨率、GNSS 拒止）和环境条件（例如无地图区域、大型环境）。我们开展了多项验证实验，包括在真实汽车应用中的部署，证明了本系统在线定位的准确性、高效性和多功能性。
英文摘要：
Localization in already mapped environments is a critical component in many robotics and automotive applications, where previously acquired information can be exploited along with sensor fusion to provide robust and accurate localization estimates. In this work, we offer a new perspective on map-based localization by reusing prior topological and metric information. Thus, we reformulate this long-studied problem to go beyond the mere use of metric maps. Our framework seamlessly integrates LiDAR, inertial and GNSS measurements, and cloud-to-map registrations in a sliding window graph fashion, which allows to accommodate the uncertainty of each observation. The modularity of our framework allows it to work with different sensor configurations (e.g., LiDAR resolutions, GNSS denial) and environmental conditions (e.g., mapless regions, large environments). We have conducted several validation experiments, including the deployment in a real-world automotive application, demonstrating the accuracy, efficiency, and versatility of our system in online localization.
