devbox
Gausst松鼠会
这个屌丝很懒，什么也没留下！
关注作者
热门标签
热门文章
当前位置:   article > 正文

LIO-SAM源码解析（四）：imuPreintegration.cpp

作者：Gausst松鼠会 | 2024-02-19 20:26:55

赞

踩

imupreintegration.cpp

1. 代码流程

2. 功能说明

这个cpp文件主要有两个类，一个叫IMUPreintegration类，一个叫TransformFusion类。

现在我们分开讲，先说IMUPreintegration类。

关于IMU原始数据，送入imuhandle中：

2.1. imuhandle

imu原始数据，会先被坐标系转换，通过调用头文件里的imuConverter函数，转换到一个“雷达中间系”中，其实和真正的雷达系差了一个平移。

转换后，会存入两个队列，一个imuQueOpt队列，一个imuQueImu队列。这两队列有什么区别和联系呢？这个主要在另一个回调函数odometryHandler会被处理，在那个地方我会讲。这里我们可以先理解为，imuQueImu是真正我们要用的数据，imuQueOpt是一个中间缓存的数据结构，用来优化imu的bias之类的东西。

在标志位doneFirstOpt为True的时候（注意这个标志位，这是一个很重要的变量，之后会再提到），每到一个imu数据，就用imuIntegratorImu_这个预积分器，把这一帧imu数据累积进去，然后预测当前时刻的状态：currentState = imuIntegratorImu_->predict(prevStateOdom, prevBiasOdom); 其中prevStateOdom就是之前系统所保持的状态。

把currentState，通过imu2Lidar，从“中间系”给平移到真正的雷达系，然后发布出去。发布的话题就叫odometry/imu_incremental，这也就是imageProjection.cpp的总结部分的第2点部分提到的“imu”里程计。

2.2. odomHandle

这部分订阅的是/mapping/odometry_incremental，这个话题是由mapOptmization.cpp发布的，可以把它理解为激光里程计。同理，也不要被incremental误导，觉得好像是两帧激光之间的变换，可不是这样的啊。它和imu里程计性质类似，就是相对世界坐标系的位姿。

2.2.1. 初始化系统

从imuQueOpt队列里，删掉当前这帧激光里程计时间上之前的数据，然后把雷达的pose变换到“中间系”，保存为prevPose。图优化部分，加入乱七八糟各种东西，priorVel，priorBias，把两个预积分器imuIntegratorImu_，imuIntegratorOpt_给reset一下。（之后简称imu积分器和opt积分器）

这两个预积分器opt积分器和imu积分器有什么区别呢？马上就要讲，在1.2.3部分。

2.2.2. 清理缓存

100帧激光里程计数据了，就把优化器给reset一下（用前面的先验协方差给reset一下）。注意，1.2.1和1.2.2的主要区别在于，1.2.1中的乱七八糟协方差数据，是用构造函数中写入的一大堆（我认为是经验值），而1.2.2这里的协方差，用的是optimizer.marginalCovariance这个轮子算出来的先验协方差。

2.2.3. 正式处理

假设数据如下分布：

之前imu数据 ——————第一帧开始——————第二帧开始————之后imu数据

把“第一帧开始”——“第二帧开始”这个之间的imu数据拿出来，送入opt积分器。这样得到二者之间的预积分，构建imu因子。

然后把Xkey-1 到Xkey之间，加入这个imu因子以及 激光里程计提供的pose因子，整体做一个优化。优化的结果就是bias，以及“第二帧开始”这个时刻的系统位姿。

把优化的结果（主要是bias），重置opt积分器和imu积分器。 然后把当前帧（上图的“第二帧开始”）之前的数据给删掉，用imu积分器，从“第二帧开始”这里开始往后积分。（我们需要明确一点，在这个处理过程中，imu队列也在持续的进数据，（即1.1的imuhandle中）），这里处理完，那么就置donefirst=True，这样1.1.3部分，就可以无缝衔接接着在这里的基础上对imu积分器继续积分。（可以看出，这点处理，Tixiaoshan还是做的比较牛的）

 回顾：在1.1.3部分，发布imu里程计，在这里我们可以的出结果，它并非是纯粹的imu里程计，因为时不时是要加入激光里程计的信息做因子来优化得到imu的bias等信息的。

2.3. TransformFusion类。

2.3.1 lidarOdometryHandler

这部分监听的是/mapping/odometry，（也就是激光雷达里程计）这个回调函数比较特殊，它并没有把雷达里程计的东西再像别的回调函数一样，时刻存到什么队列里去。而是就保存当前的雷达里程计的数据到lidarOdomAffine里面，把时间戳存到lidarOdomTime里面去。

    注意，这里/mapping/odometry和/mapping/odometry_incremental有什么区别呢？我认为本质上区别不大，前者是激光里程计部分直接优化得到的激光位姿，后者相当于激光的位姿经过旋转约束和z轴约束的限制以后，又和原始imu信息里面的角度做了一个加权以后的位姿。

2.3.2 imuOdometryHandler

这部分监听的是/imu/odometry_incremental（也就是上面我一直在说的imu里程计），把imu里程计放到imuodomQueue里面保存，然后把lidarOdomTime之前的数据扔掉，用imu里程计的两时刻差异，再加上lidarOdomAffine的基础进行发布。

实际上，/imu/odometry_incremental本身就是雷达里程计基础上imu数据上的发布，而在现在这里，也是雷达里程计在“imu里程计”上的一个“再次精修”。最后会发布两个内容，一个是odometry/imu，但是这个实际上是无人监听的，我觉得作者主要是发布tf变换，顺手给它发布了。当然我觉得用户可以监听这个数据，我觉得这个应该是频率上最高的一个里程计数据了。

另外还会发布一个path，用来rviz显示，名字叫lio-sam/imu/path。

3. 代码

  1. #include "utility.h"
  2.  
  3. #include <gtsam/geometry/Rot3.h>
  4. #include <gtsam/geometry/Pose3.h>
  5. #include <gtsam/slam/PriorFactor.h>
  6. #include <gtsam/slam/BetweenFactor.h>
  7. #include <gtsam/navigation/GPSFactor.h>
  8. #include <gtsam/navigation/ImuFactor.h>
  9. #include <gtsam/navigation/CombinedImuFactor.h>
  10. #include <gtsam/nonlinear/NonlinearFactorGraph.h>
  11. #include <gtsam/nonlinear/LevenbergMarquardtOptimizer.h>
  12. #include <gtsam/nonlinear/Marginals.h>
  13. #include <gtsam/nonlinear/Values.h>
  14. #include <gtsam/inference/Symbol.h>
  15.  
  16. #include <gtsam/nonlinear/ISAM2.h>
  17. #include <gtsam_unstable/nonlinear/IncrementalFixedLagSmoother.h>
  18.  
  19. using gtsam::symbol_shorthand::X; // Pose3 (x,y,z,r,p,y)
  20. using gtsam::symbol_shorthand::V; // Vel   (xdot,ydot,zdot)
  21. using gtsam::symbol_shorthand::B; // Bias  (ax,ay,az,gx,gy,gz)
  22.  
  23. class TransformFusion : public ParamServer
  24. {
  25. public:
  26.     std::mutex mtx;
  27.  
  28.     ros::Subscriber subImuOdometry;
  29.     ros::Subscriber subLaserOdometry;
  30.  
  31.     ros::Publisher pubImuOdometry;
  32.     ros::Publisher pubImuPath;
  33.  
  34.     Eigen::Affine3f lidarOdomAffine;
  35.     Eigen::Affine3f imuOdomAffineFront;
  36.     Eigen::Affine3f imuOdomAffineBack;
  37.  
  38.     tf::TransformListener tfListener;
  39.     tf::StampedTransform lidar2Baselink;
  40.  
  41.     double lidarOdomTime = -1;
  42.     deque<nav_msgs::Odometry> imuOdomQueue;
  43.  
  44.     /**
  45.      * 构造函数
  46.     */
  47.     TransformFusion()
  48.     {
  49.         // 如果lidar系与baselink系不同（激光系和载体系），需要外部提供二者之间的变换关系
  50.         if(lidarFrame != baselinkFrame)
  51.         {
  52.             try
  53.             {
  54.                 // 等待3s
  55.                 tfListener.waitForTransform(lidarFrame, baselinkFrame, ros::Time(0), ros::Duration(3.0));
  56.                 // lidar系到baselink系的变换
  57.                 tfListener.lookupTransform(lidarFrame, baselinkFrame, ros::Time(0), lidar2Baselink);
  58.             }
  59.             catch (tf::TransformException ex)
  60.             {
  61.                 ROS_ERROR("%s",ex.what());
  62.             }
  63.         }
  64.  
  65.         // 订阅激光里程计，来自mapOptimization
  66.         subLaserOdometry = nh.subscribe<nav_msgs::Odometry>("lio_sam/mapping/odometry", 5, &TransformFusion::lidarOdometryHandler, this, ros::TransportHints().tcpNoDelay());
  67.         // 订阅imu里程计，来自IMUPreintegration
  68.         subImuOdometry   = nh.subscribe<nav_msgs::Odometry>(odomTopic+"_incremental",   2000, &TransformFusion::imuOdometryHandler,   this, ros::TransportHints().tcpNoDelay());
  69.  
  70.         // 发布imu里程计，用于rviz展示
  71.         pubImuOdometry   = nh.advertise<nav_msgs::Odometry>(odomTopic, 2000);
  72.         // 发布imu里程计轨迹
  73.         pubImuPath       = nh.advertise<nav_msgs::Path>    ("lio_sam/imu/path", 1);
  74.     }
  75.  
  76.     /**
  77.      * 里程计对应变换矩阵
  78.     */
  79.     Eigen::Affine3f odom2affine(nav_msgs::Odometry odom)
  80.     {
  81.         double x, y, z, roll, pitch, yaw;
  82.         x = odom.pose.pose.position.x;
  83.         y = odom.pose.pose.position.y;
  84.         z = odom.pose.pose.position.z;
  85.         tf::Quaternion orientation;
  86.         tf::quaternionMsgToTF(odom.pose.pose.orientation, orientation);
  87.         tf::Matrix3x3(orientation).getRPY(roll, pitch, yaw);
  88.         return pcl::getTransformation(x, y, z, roll, pitch, yaw);
  89.     }
  90.  
  91.     /**
  92.      * 订阅激光里程计，来自mapOptimization
  93.     */
  94.     void lidarOdometryHandler(const nav_msgs::Odometry::ConstPtr& odomMsg)
  95.     {
  96.         std::lock_guard<std::mutex> lock(mtx);
  97.         // 激光里程计对应变换矩阵
  98.         lidarOdomAffine = odom2affine(*odomMsg);
  99.         // 激光里程计时间戳
  100.         lidarOdomTime = odomMsg->header.stamp.toSec();
  101.     }
  102.  
  103.     /**
  104.      * 订阅imu里程计，来自IMUPreintegration
  105.      * 1、以最近一帧激光里程计位姿为基础，计算该时刻与当前时刻间imu里程计增量位姿变换，相乘得到当前时刻imu里程计位姿
  106.      * 2、发布当前时刻里程计位姿，用于rviz展示；发布imu里程计路径，注：只是最近一帧激光里程计时刻与当前时刻之间的一段
  107.     */
  108.     void imuOdometryHandler(const nav_msgs::Odometry::ConstPtr& odomMsg)
  109.     {
  110.         // 发布tf，map与odom系设为同一个系
  111.         static tf::TransformBroadcaster tfMap2Odom;
  112.         static tf::Transform map_to_odom = tf::Transform(tf::createQuaternionFromRPY(0, 0, 0), tf::Vector3(0, 0, 0));
  113.         tfMap2Odom.sendTransform(tf::StampedTransform(map_to_odom, odomMsg->header.stamp, mapFrame, odometryFrame));
  114.  
  115.         std::lock_guard<std::mutex> lock(mtx);
  116.  
  117.         // 添加imu里程计到队列
  118.         imuOdomQueue.push_back(*odomMsg);
  119.  
  120.         // 从imu里程计队列中删除当前（最近的一帧）激光里程计时刻之前的数据
  121.         if (lidarOdomTime == -1)
  122.             return;
  123.         while (!imuOdomQueue.empty())
  124.         {
  125.             if (imuOdomQueue.front().header.stamp.toSec() <= lidarOdomTime)
  126.                 imuOdomQueue.pop_front();
  127.             else
  128.                 break;
  129.         }
  130.         // 最近的一帧激光里程计时刻对应imu里程计位姿
  131.         Eigen::Affine3f imuOdomAffineFront = odom2affine(imuOdomQueue.front());
  132.         // 当前时刻imu里程计位姿
  133.         Eigen::Affine3f imuOdomAffineBack = odom2affine(imuOdomQueue.back());
  134.         // imu里程计增量位姿变换
  135.         Eigen::Affine3f imuOdomAffineIncre = imuOdomAffineFront.inverse() * imuOdomAffineBack;
  136.         // 最近的一帧激光里程计位姿 * imu里程计增量位姿变换 = 当前时刻imu里程计位姿
  137.         Eigen::Affine3f imuOdomAffineLast = lidarOdomAffine * imuOdomAffineIncre;
  138.         float x, y, z, roll, pitch, yaw;
  139.         pcl::getTranslationAndEulerAngles(imuOdomAffineLast, x, y, z, roll, pitch, yaw);
  140.         
  141.         // 发布当前时刻里程计位姿
  142.         nav_msgs::Odometry laserOdometry = imuOdomQueue.back();
  143.         laserOdometry.pose.pose.position.x = x;
  144.         laserOdometry.pose.pose.position.y = y;
  145.         laserOdometry.pose.pose.position.z = z;
  146.         laserOdometry.pose.pose.orientation = tf::createQuaternionMsgFromRollPitchYaw(roll, pitch, yaw);
  147.         pubImuOdometry.publish(laserOdometry);
  148.         // 发布tf，当前时刻odom与baselink系变换关系
  149.         static tf::TransformBroadcaster tfOdom2BaseLink;
  150.         tf::Transform tCur;
  151.         tf::poseMsgToTF(laserOdometry.pose.pose, tCur);
  152.         if(lidarFrame != baselinkFrame)
  153.             tCur = tCur * lidar2Baselink;
  154.         tf::StampedTransform odom_2_baselink = tf::StampedTransform(tCur, odomMsg->header.stamp, odometryFrame, baselinkFrame);
  155.         tfOdom2BaseLink.sendTransform(odom_2_baselink);
  156.  
  157.         // 发布imu里程计路径，注：只是最近一帧激光里程计时刻与当前时刻之间的一段
  158.         static nav_msgs::Path imuPath;
  159.         static double last_path_time = -1;
  160.         double imuTime = imuOdomQueue.back().header.stamp.toSec();
  161.         // 每隔0.1s添加一个
  162.         if (imuTime - last_path_time > 0.1)
  163.         {
  164.             last_path_time = imuTime;
  165.             geometry_msgs::PoseStamped pose_stamped;
  166.             pose_stamped.header.stamp = imuOdomQueue.back().header.stamp;
  167.             pose_stamped.header.frame_id = odometryFrame;
  168.             pose_stamped.pose = laserOdometry.pose.pose;
  169.             imuPath.poses.push_back(pose_stamped);
  170.             // 删除最近一帧激光里程计时刻之前的imu里程计
  171.             while(!imuPath.poses.empty() && imuPath.poses.front().header.stamp.toSec() < lidarOdomTime - 1.0)
  172.                 imuPath.poses.erase(imuPath.poses.begin());
  173.             if (pubImuPath.getNumSubscribers() != 0)
  174.             {
  175.                 imuPath.header.stamp = imuOdomQueue.back().header.stamp;
  176.                 imuPath.header.frame_id = odometryFrame;
  177.                 pubImuPath.publish(imuPath);
  178.             }
  179.         }
  180.     }
  181. };
  182.  
  183. class IMUPreintegration : public ParamServer
  184. {
  185. public:
  186.  
  187.     std::mutex mtx;
  188.  
  189.     // 订阅与发布
  190.     ros::Subscriber subImu;
  191.     ros::Subscriber subOdometry;
  192.     ros::Publisher pubImuOdometry;
  193.  
  194.     bool systemInitialized = false;
  195.  
  196.     // 噪声协方差
  197.     gtsam::noiseModel::Diagonal::shared_ptr priorPoseNoise;
  198.     gtsam::noiseModel::Diagonal::shared_ptr priorVelNoise;
  199.     gtsam::noiseModel::Diagonal::shared_ptr priorBiasNoise;
  200.     gtsam::noiseModel::Diagonal::shared_ptr correctionNoise;
  201.     gtsam::noiseModel::Diagonal::shared_ptr correctionNoise2;
  202.     gtsam::Vector noiseModelBetweenBias;
  203.  
  204.     // imu预积分器
  205.     gtsam::PreintegratedImuMeasurements *imuIntegratorOpt_;
  206.     gtsam::PreintegratedImuMeasurements *imuIntegratorImu_;
  207.  
  208.     // imu数据队列
  209.     std::deque<sensor_msgs::Imu> imuQueOpt;
  210.     std::deque<sensor_msgs::Imu> imuQueImu;
  211.  
  212.     // imu因子图优化过程中的状态变量
  213.     gtsam::Pose3 prevPose_;
  214.     gtsam::Vector3 prevVel_;
  215.     gtsam::NavState prevState_;
  216.     gtsam::imuBias::ConstantBias prevBias_;
  217.  
  218.     // imu状态
  219.     gtsam::NavState prevStateOdom;
  220.     gtsam::imuBias::ConstantBias prevBiasOdom;
  221.  
  222.     bool doneFirstOpt = false;
  223.     double lastImuT_imu = -1;
  224.     double lastImuT_opt = -1;
  225.  
  226.     // ISAM2优化器
  227.     gtsam::ISAM2 optimizer;
  228.     gtsam::NonlinearFactorGraph graphFactors;
  229.     gtsam::Values graphValues;
  230.  
  231.     const double delta_t = 0;
  232.  
  233.     int key = 1;
  234.  
  235.     // imu-lidar位姿变换
  236.     gtsam::Pose3 imu2Lidar = gtsam::Pose3(gtsam::Rot3(1, 0, 0, 0), gtsam::Point3(-extTrans.x(), -extTrans.y(), -extTrans.z()));
  237.     gtsam::Pose3 lidar2Imu = gtsam::Pose3(gtsam::Rot3(1, 0, 0, 0), gtsam::Point3(extTrans.x(), extTrans.y(), extTrans.z()));
  238.  
  239.     /**
  240.      * 构造函数
  241.     */
  242.     IMUPreintegration()
  243.     {
  244.         // 订阅imu原始数据，用下面因子图优化的结果，施加两帧之间的imu预计分量，预测每一时刻（imu频率）的imu里程计
  245.         subImu      = nh.subscribe<sensor_msgs::Imu>  (imuTopic,                   2000, &IMUPreintegration::imuHandler,      this, ros::TransportHints().tcpNoDelay());
  246.         // 订阅激光里程计，来自mapOptimization，用两帧之间的imu预计分量构建因子图，优化当前帧位姿（这个位姿仅用于更新每时刻的imu里程计，以及下一次因子图优化）
  247.         subOdometry = nh.subscribe<nav_msgs::Odometry>("lio_sam/mapping/odometry_incremental", 5,    &IMUPreintegration::odometryHandler, this, ros::TransportHints().tcpNoDelay());
  248.         
  249.         // 发布imu里程计
  250.         pubImuOdometry = nh.advertise<nav_msgs::Odometry> (odomTopic+"_incremental", 2000);
  251.  
  252.         // imu预积分的噪声协方差
  253.         boost::shared_ptr<gtsam::PreintegrationParams> p = gtsam::PreintegrationParams::MakeSharedU(imuGravity);
  254.         p->accelerometerCovariance  = gtsam::Matrix33::Identity(3,3) * pow(imuAccNoise, 2); // acc white noise in continuous
  255.         p->gyroscopeCovariance      = gtsam::Matrix33::Identity(3,3) * pow(imuGyrNoise, 2); // gyro white noise in continuous
  256.         p->integrationCovariance    = gtsam::Matrix33::Identity(3,3) * pow(1e-4, 2); // error committed in integrating position from velocities
  257.         gtsam::imuBias::ConstantBias prior_imu_bias((gtsam::Vector(6) << 0, 0, 0, 0, 0, 0).finished());; // assume zero initial bias
  258.  
  259.         // 噪声先验
  260.         priorPoseNoise  = gtsam::noiseModel::Diagonal::Sigmas((gtsam::Vector(6) << 1e-2, 1e-2, 1e-2, 1e-2, 1e-2, 1e-2).finished()); // rad,rad,rad,m, m, m
  261.         priorVelNoise   = gtsam::noiseModel::Isotropic::Sigma(3, 1e4); // m/s
  262.         priorBiasNoise  = gtsam::noiseModel::Isotropic::Sigma(6, 1e-3); // 1e-2 ~ 1e-3 seems to be good
  263.         // 激光里程计scan-to-map优化过程中发生退化，则选择一个较大的协方差
  264.         correctionNoise = gtsam::noiseModel::Diagonal::Sigmas((gtsam::Vector(6) << 0.05, 0.05, 0.05, 0.1, 0.1, 0.1).finished()); // rad,rad,rad,m, m, m
  265.         correctionNoise2 = gtsam::noiseModel::Diagonal::Sigmas((gtsam::Vector(6) << 1, 1, 1, 1, 1, 1).finished()); // rad,rad,rad,m, m, m
  266.         noiseModelBetweenBias = (gtsam::Vector(6) << imuAccBiasN, imuAccBiasN, imuAccBiasN, imuGyrBiasN, imuGyrBiasN, imuGyrBiasN).finished();
  267.         
  268.         // imu预积分器，用于预测每一时刻（imu频率）的imu里程计（转到lidar系了，与激光里程计同一个系）
  269.         imuIntegratorImu_ = new gtsam::PreintegratedImuMeasurements(p, prior_imu_bias); // setting up the IMU integration for IMU message thread
  270.         // imu预积分器，用于因子图优化
  271.         imuIntegratorOpt_ = new gtsam::PreintegratedImuMeasurements(p, prior_imu_bias); // setting up the IMU integration for optimization        
  272.     }
  273.  
  274.     /**
  275.      * 重置ISAM2优化器
  276.     */
  277.     void resetOptimization()
  278.     {
  279.         gtsam::ISAM2Params optParameters;
  280.         optParameters.relinearizeThreshold = 0.1;
  281.         optParameters.relinearizeSkip = 1;
  282.         optimizer = gtsam::ISAM2(optParameters);
  283.  
  284.         gtsam::NonlinearFactorGraph newGraphFactors;
  285.         graphFactors = newGraphFactors;
  286.  
  287.         gtsam::Values NewGraphValues;
  288.         graphValues = NewGraphValues;
  289.     }
  290.  
  291.     /**
  292.      * 重置参数
  293.     */
  294.     void resetParams()
  295.     {
  296.         lastImuT_imu = -1;
  297.         doneFirstOpt = false;
  298.         systemInitialized = false;
  299.     }
  300.  
  301.     /**
  302.      * 订阅激光里程计，来自mapOptimization
  303.      * 1、每隔100帧激光里程计，重置ISAM2优化器，添加里程计、速度、偏置先验因子，执行优化
  304.      * 2、计算前一帧激光里程计与当前帧激光里程计之间的imu预积分量，用前一帧状态施加预积分量得到当前帧初始状态估计，添加来自mapOptimization的当前帧位姿，进行因子图优化，更新当前帧状态
  305.      * 3、优化之后，执行重传播；优化更新了imu的偏置，用最新的偏置重新计算当前激光里程计时刻之后的imu预积分，这个预积分用于计算每时刻位姿
  306.     */
  307.     void odometryHandler(const nav_msgs::Odometry::ConstPtr& odomMsg)
  308.     {
  309.         std::lock_guard<std::mutex> lock(mtx);
  310.         // 当前帧激光里程计时间戳
  311.         double currentCorrectionTime = ROS_TIME(odomMsg);
  312.  
  313.         // 确保imu优化队列中有imu数据进行预积分
  314.         if (imuQueOpt.empty())
  315.             return;
  316.  
  317.         // 当前帧激光位姿，来自scan-to-map匹配、因子图优化后的位姿
  318.         float p_x = odomMsg->pose.pose.position.x;
  319.         float p_y = odomMsg->pose.pose.position.y;
  320.         float p_z = odomMsg->pose.pose.position.z;
  321.         float r_x = odomMsg->pose.pose.orientation.x;
  322.         float r_y = odomMsg->pose.pose.orientation.y;
  323.         float r_z = odomMsg->pose.pose.orientation.z;
  324.         float r_w = odomMsg->pose.pose.orientation.w;
  325.         bool degenerate = (int)odomMsg->pose.covariance[0] == 1 ? true : false;
  326.         gtsam::Pose3 lidarPose = gtsam::Pose3(gtsam::Rot3::Quaternion(r_w, r_x, r_y, r_z), gtsam::Point3(p_x, p_y, p_z));
  327.  
  328.  
  329.         // 0. 系统初始化，第一帧
  330.         if (systemInitialized == false)
  331.         {
  332.             // 重置ISAM2优化器
  333.             resetOptimization();
  334.  
  335.             // 从imu优化队列中删除当前帧激光里程计时刻之前的imu数据
  336.             while (!imuQueOpt.empty())
  337.             {
  338.                 if (ROS_TIME(&imuQueOpt.front()) < currentCorrectionTime - delta_t)
  339.                 {
  340.                     lastImuT_opt = ROS_TIME(&imuQueOpt.front());
  341.                     imuQueOpt.pop_front();
  342.                 }
  343.                 else
  344.                     break;
  345.             }
  346.             // 添加里程计位姿先验因子
  347.             prevPose_ = lidarPose.compose(lidar2Imu);
  348.             gtsam::PriorFactor<gtsam::Pose3> priorPose(X(0), prevPose_, priorPoseNoise);
  349.             graphFactors.add(priorPose);
  350.             // 添加速度先验因子
  351.             prevVel_ = gtsam::Vector3(0, 0, 0);
  352.             gtsam::PriorFactor<gtsam::Vector3> priorVel(V(0), prevVel_, priorVelNoise);
  353.             graphFactors.add(priorVel);
  354.             // 添加imu偏置先验因子
  355.             prevBias_ = gtsam::imuBias::ConstantBias();
  356.             gtsam::PriorFactor<gtsam::imuBias::ConstantBias> priorBias(B(0), prevBias_, priorBiasNoise);
  357.             graphFactors.add(priorBias);
  358.             // 变量节点赋初值
  359.             graphValues.insert(X(0), prevPose_);
  360.             graphValues.insert(V(0), prevVel_);
  361.             graphValues.insert(B(0), prevBias_);
  362.             // 优化一次
  363.             optimizer.update(graphFactors, graphValues);
  364.             graphFactors.resize(0);
  365.             graphValues.clear();
  366.             
  367.             // 重置优化之后的偏置
  368.             imuIntegratorImu_->resetIntegrationAndSetBias(prevBias_);
  369.             imuIntegratorOpt_->resetIntegrationAndSetBias(prevBias_);
  370.             
  371.             key = 1;
  372.             systemInitialized = true;
  373.             return;
  374.         }
  375.  
  376.  
  377.         // 每隔100帧激光里程计，重置ISAM2优化器，保证优化效率
  378.         if (key == 100)
  379.         {
  380.             // 前一帧的位姿、速度、偏置噪声模型
  381.             gtsam::noiseModel::Gaussian::shared_ptr updatedPoseNoise = gtsam::noiseModel::Gaussian::Covariance(optimizer.marginalCovariance(X(key-1)));
  382.             gtsam::noiseModel::Gaussian::shared_ptr updatedVelNoise  = gtsam::noiseModel::Gaussian::Covariance(optimizer.marginalCovariance(V(key-1)));
  383.             gtsam::noiseModel::Gaussian::shared_ptr updatedBiasNoise = gtsam::noiseModel::Gaussian::Covariance(optimizer.marginalCovariance(B(key-1)));
  384.             // 重置ISAM2优化器
  385.             resetOptimization();
  386.             // 添加位姿先验因子，用前一帧的值初始化
  387.             gtsam::PriorFactor<gtsam::Pose3> priorPose(X(0), prevPose_, updatedPoseNoise);
  388.             graphFactors.add(priorPose);
  389.             // 添加速度先验因子，用前一帧的值初始化
  390.             gtsam::PriorFactor<gtsam::Vector3> priorVel(V(0), prevVel_, updatedVelNoise);
  391.             graphFactors.add(priorVel);
  392.             // 添加偏置先验因子，用前一帧的值初始化
  393.             gtsam::PriorFactor<gtsam::imuBias::ConstantBias> priorBias(B(0), prevBias_, updatedBiasNoise);
  394.             graphFactors.add(priorBias);
  395.             // 变量节点赋初值，用前一帧的值初始化
  396.             graphValues.insert(X(0), prevPose_);
  397.             graphValues.insert(V(0), prevVel_);
  398.             graphValues.insert(B(0), prevBias_);
  399.             // 优化一次
  400.             optimizer.update(graphFactors, graphValues);
  401.             graphFactors.resize(0);
  402.             graphValues.clear();
  403.  
  404.             key = 1;
  405.         }
  406.  
  407.  
  408.         // 1. 计算前一帧与当前帧之间的imu预积分量，用前一帧状态施加预积分量得到当前帧初始状态估计，添加来自mapOptimization的当前帧位姿，进行因子图优化，更新当前帧状态
  409.         while (!imuQueOpt.empty())
  410.         {
  411.             // 提取前一帧与当前帧之间的imu数据，计算预积分
  412.             sensor_msgs::Imu *thisImu = &imuQueOpt.front();
  413.             double imuTime = ROS_TIME(thisImu);
  414.             if (imuTime < currentCorrectionTime - delta_t)
  415.             {
  416.                 // 两帧imu数据时间间隔
  417.                 double dt = (lastImuT_opt < 0) ? (1.0 / 500.0) : (imuTime - lastImuT_opt);
  418.                 // imu预积分数据输入：加速度、角速度、dt
  419.                 imuIntegratorOpt_->integrateMeasurement(
  420.                         gtsam::Vector3(thisImu->linear_acceleration.x, thisImu->linear_acceleration.y, thisImu->linear_acceleration.z),
  421.                         gtsam::Vector3(thisImu->angular_velocity.x,    thisImu->angular_velocity.y,    thisImu->angular_velocity.z), dt);
  422.                 
  423.                 lastImuT_opt = imuTime;
  424.                 // 从队列中删除已经处理的imu数据
  425.                 imuQueOpt.pop_front();
  426.             }
  427.             else
  428.                 break;
  429.         }
  430.         // 添加imu预积分因子
  431.         const gtsam::PreintegratedImuMeasurements& preint_imu = dynamic_cast<const gtsam::PreintegratedImuMeasurements&>(*imuIntegratorOpt_);
  432.         // 参数：前一帧位姿，前一帧速度，当前帧位姿，当前帧速度，前一帧偏置，预计分量
  433.         gtsam::ImuFactor imu_factor(X(key - 1), V(key - 1), X(key), V(key), B(key - 1), preint_imu);
  434.         graphFactors.add(imu_factor);
  435.         // 添加imu偏置因子，前一帧偏置，当前帧偏置，观测值，噪声协方差；deltaTij()是积分段的时间
  436.         graphFactors.add(gtsam::BetweenFactor<gtsam::imuBias::ConstantBias>(B(key - 1), B(key), gtsam::imuBias::ConstantBias(),
  437.                          gtsam::noiseModel::Diagonal::Sigmas(sqrt(imuIntegratorOpt_->deltaTij()) * noiseModelBetweenBias)));
  438.         // 添加位姿因子
  439.         gtsam::Pose3 curPose = lidarPose.compose(lidar2Imu);
  440.         gtsam::PriorFactor<gtsam::Pose3> pose_factor(X(key), curPose, degenerate ? correctionNoise2 : correctionNoise);
  441.         graphFactors.add(pose_factor);
  442.         // 用前一帧的状态、偏置，施加imu预计分量，得到当前帧的状态
  443.         gtsam::NavState propState_ = imuIntegratorOpt_->predict(prevState_, prevBias_);
  444.         // 变量节点赋初值
  445.         graphValues.insert(X(key), propState_.pose());
  446.         graphValues.insert(V(key), propState_.v());
  447.         graphValues.insert(B(key), prevBias_);
  448.         // 优化
  449.         optimizer.update(graphFactors, graphValues);
  450.         optimizer.update();
  451.         graphFactors.resize(0);
  452.         graphValues.clear();
  453.         // 优化结果
  454.         gtsam::Values result = optimizer.calculateEstimate();
  455.         // 更新当前帧位姿、速度
  456.         prevPose_  = result.at<gtsam::Pose3>(X(key));
  457.         prevVel_   = result.at<gtsam::Vector3>(V(key));
  458.         // 更新当前帧状态
  459.         prevState_ = gtsam::NavState(prevPose_, prevVel_);
  460.         // 更新当前帧imu偏置
  461.         prevBias_  = result.at<gtsam::imuBias::ConstantBias>(B(key));
  462.         // 重置预积分器，设置新的偏置，这样下一帧激光里程计进来的时候，预积分量就是两帧之间的增量
  463.         imuIntegratorOpt_->resetIntegrationAndSetBias(prevBias_);
  464.  
  465.         // imu因子图优化结果，速度或者偏置过大，认为失败
  466.         if (failureDetection(prevVel_, prevBias_))
  467.         {
  468.             // 重置参数
  469.             resetParams();
  470.             return;
  471.         }
  472.  
  473.  
  474.         // 2. 优化之后，执行重传播；优化更新了imu的偏置，用最新的偏置重新计算当前激光里程计时刻之后的imu预积分，这个预积分用于计算每时刻位姿
  475.         prevStateOdom = prevState_;
  476.         prevBiasOdom  = prevBias_;
  477.         // 从imu队列中删除当前激光里程计时刻之前的imu数据
  478.         double lastImuQT = -1;
  479.         while (!imuQueImu.empty() && ROS_TIME(&imuQueImu.front()) < currentCorrectionTime - delta_t)
  480.         {
  481.             lastImuQT = ROS_TIME(&imuQueImu.front());
  482.             imuQueImu.pop_front();
  483.         }
  484.         // 对剩余的imu数据计算预积分
  485.         if (!imuQueImu.empty())
  486.         {
  487.             // 重置预积分器和最新的偏置
  488.             imuIntegratorImu_->resetIntegrationAndSetBias(prevBiasOdom);
  489.             // 计算预积分
  490.             for (int i = 0; i < (int)imuQueImu.size(); ++i)
  491.             {
  492.                 sensor_msgs::Imu *thisImu = &imuQueImu[i];
  493.                 double imuTime = ROS_TIME(thisImu);
  494.                 double dt = (lastImuQT < 0) ? (1.0 / 500.0) :(imuTime - lastImuQT);
  495.  
  496.                 imuIntegratorImu_->integrateMeasurement(gtsam::Vector3(thisImu->linear_acceleration.x, thisImu->linear_acceleration.y, thisImu->linear_acceleration.z),
  497.                                                         gtsam::Vector3(thisImu->angular_velocity.x,    thisImu->angular_velocity.y,    thisImu->angular_velocity.z), dt);
  498.                 lastImuQT = imuTime;
  499.             }
  500.         }
  501.  
  502.         ++key;
  503.         doneFirstOpt = true;
  504.     }
  505.  
  506.     /**
  507.      * imu因子图优化结果，速度或者偏置过大，认为失败
  508.     */
  509.     bool failureDetection(const gtsam::Vector3& velCur, const gtsam::imuBias::ConstantBias& biasCur)
  510.     {
  511.         Eigen::Vector3f vel(velCur.x(), velCur.y(), velCur.z());
  512.         if (vel.norm() > 30)
  513.         {
  514.             ROS_WARN("Large velocity, reset IMU-preintegration!");
  515.             return true;
  516.         }
  517.  
  518.         Eigen::Vector3f ba(biasCur.accelerometer().x(), biasCur.accelerometer().y(), biasCur.accelerometer().z());
  519.         Eigen::Vector3f bg(biasCur.gyroscope().x(), biasCur.gyroscope().y(), biasCur.gyroscope().z());
  520.         if (ba.norm() > 1.0 || bg.norm() > 1.0)
  521.         {
  522.             ROS_WARN("Large bias, reset IMU-preintegration!");
  523.             return true;
  524.         }
  525.  
  526.         return false;
  527.     }
  528.  
  529.     /**
  530.      * 订阅imu原始数据
  531.      * 1、用上一帧激光里程计时刻对应的状态、偏置，施加从该时刻开始到当前时刻的imu预计分量，得到当前时刻的状态，也就是imu里程计
  532.      * 2、imu里程计位姿转到lidar系，发布里程计
  533.     */
  534.     void imuHandler(const sensor_msgs::Imu::ConstPtr& imu_raw)
  535.     {
  536.         std::lock_guard<std::mutex> lock(mtx);
  537.         // imu原始测量数据转换到lidar系，加速度、角速度、RPY
  538.         sensor_msgs::Imu thisImu = imuConverter(*imu_raw);
  539.  
  540.         // 添加当前帧imu数据到队列
  541.         imuQueOpt.push_back(thisImu);
  542.         imuQueImu.push_back(thisImu);
  543.  
  544.         // 要求上一次imu因子图优化执行成功，确保更新了上一帧（激光里程计帧）的状态、偏置，预积分重新计算了
  545.         if (doneFirstOpt == false)
  546.             return;
  547.  
  548.         double imuTime = ROS_TIME(&thisImu);
  549.         double dt = (lastImuT_imu < 0) ? (1.0 / 500.0) : (imuTime - lastImuT_imu);
  550.         lastImuT_imu = imuTime;
  551.  
  552.         // imu预积分器添加一帧imu数据，注：这个预积分器的起始时刻是上一帧激光里程计时刻
  553.         imuIntegratorImu_->integrateMeasurement(gtsam::Vector3(thisImu.linear_acceleration.x, thisImu.linear_acceleration.y, thisImu.linear_acceleration.z),
  554.                                                 gtsam::Vector3(thisImu.angular_velocity.x,    thisImu.angular_velocity.y,    thisImu.angular_velocity.z), dt);
  555.  
  556.         // 用上一帧激光里程计时刻对应的状态、偏置，施加从该时刻开始到当前时刻的imu预计分量，得到当前时刻的状态
  557.         gtsam::NavState currentState = imuIntegratorImu_->predict(prevStateOdom, prevBiasOdom);
  558.  
  559.         // 发布imu里程计（转到lidar系，与激光里程计同一个系）
  560.         nav_msgs::Odometry odometry;
  561.         odometry.header.stamp = thisImu.header.stamp;
  562.         odometry.header.frame_id = odometryFrame;
  563.         odometry.child_frame_id = "odom_imu";
  564.  
  565.         // 变换到lidar系
  566.         gtsam::Pose3 imuPose = gtsam::Pose3(currentState.quaternion(), currentState.position());
  567.         gtsam::Pose3 lidarPose = imuPose.compose(imu2Lidar);
  568.  
  569.         odometry.pose.pose.position.x = lidarPose.translation().x();
  570.         odometry.pose.pose.position.y = lidarPose.translation().y();
  571.         odometry.pose.pose.position.z = lidarPose.translation().z();
  572.         odometry.pose.pose.orientation.x = lidarPose.rotation().toQuaternion().x();
  573.         odometry.pose.pose.orientation.y = lidarPose.rotation().toQuaternion().y();
  574.         odometry.pose.pose.orientation.z = lidarPose.rotation().toQuaternion().z();
  575.         odometry.pose.pose.orientation.w = lidarPose.rotation().toQuaternion().w();
  576.         
  577.         odometry.twist.twist.linear.x = currentState.velocity().x();
  578.         odometry.twist.twist.linear.y = currentState.velocity().y();
  579.         odometry.twist.twist.linear.z = currentState.velocity().z();
  580.         odometry.twist.twist.angular.x = thisImu.angular_velocity.x + prevBiasOdom.gyroscope().x();
  581.         odometry.twist.twist.angular.y = thisImu.angular_velocity.y + prevBiasOdom.gyroscope().y();
  582.         odometry.twist.twist.angular.z = thisImu.angular_velocity.z + prevBiasOdom.gyroscope().z();
  583.         pubImuOdometry.publish(odometry);
  584.     }
  585. };
  586.  
  587.  
  588. int main(int argc, char** argv)
  589. {
  590.     ros::init(argc, argv, "roboat_loam");
  591.     
  592.     IMUPreintegration ImuP;
  593.  
  594.     TransformFusion TF;
  595.  
  596.     ROS_INFO("\033[1;32m----> IMU Preintegration Started.\033[0m");
  597.     
  598.     ros::MultiThreadedSpinner spinner(4);
  599.     spinner.spin();
  600.     
  601.     return 0;
  602. }

参考文献

LIOSAM代码架构 - 知乎

SLAM学习笔记（二十）LIO-SAM流程及代码详解（最全）_zkk9527的博客-CSDN博客_lio-sam 

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/Gausst松鼠会/article/detail/116655
推荐阅读
相关标签

Copyright © 2003-2013 www.wpsshop.cn 版权所有，并保留所有权利。

  

闽ICP备14008679号