LINS算法的框架与代码分析

作者：Chao Qin1 Haoyang Ye Christian E. Pranata, Jun Han, Shuyang Zhang, and Ming Liu

来源：ICRA 2020

摘要

LINS是以滤波为主的IMU、激光雷达紧耦合的激光SLAM算法。该算法的主要创新点就是用以 IESKF(即迭代误差卡尔曼)为框架，融合 IMU 与激光雷达。该算法于发表于 2020 年 ICRA， 由于网上已经有些同学对算法做了介绍，一些基础的知识本文不再赘述，本文将详细围绕以下两个问题介绍，希望对读者理解算法有所帮助: 1、LINS 是如何将激光观测融入滤波框架的? 2、滤波框架与优化框架有何不同?

算法框架

为了讲述通畅还是先介绍下 LINS 算法的主要框架，算法流程图如下:

结合代码不难发现，算法的特征提取、以及 Mapping 部分都是直接沿用了 Lego-Loam 算法的，不再赘述。算法的核心创新点为前端激光里程计部分，对应代码的 lins_fusion_node 节点。

理论与代码分析

（一）LINS 是如何将激光观测引入滤波框架的?1、从代码中可以看出，LINS只是前端里程计部分采用了滤波框架(即 scan-to-scan 估计帧间位姿)，而后端 scan-to-map部分仍然采用优化方式求解(即用 LM 方法求解位姿)。2、将点线/点面距离残差作为观测方程引入到代价函数中。根据论文公式 12，可以看到代价函数分为两个部分，前面是最小化误差状态(即最小化后验与后先验状态之差)，后面的复合函数 f(x)表示点线/面距离，即最小化点线/面距离。也就是说把点线/面距离残差作为观测方程，有了观测方程，然后带入卡尔曼滤波相关公式即可求解。不过，作为一个创新点，作者采用了 IESKF，即迭代误差卡尔曼作为滤波框架。

IESKF 与 ESKF 最大的区别就是，在做状态更新时是采用迭代求解的方式计算的，类似高斯牛顿等优化方法求解时需要多次迭代直到收敛。通过迭代的求解的方式，与 ESKF 相比可以得到更精确的解。对应论文公式 16。

3、LINS 代码实现。LINS 中滤波相关的核心部分在 include/StateEstimator.hpp 中的 performIESKF()函数中实现。

代码中基本是按照论文中的公式 12-18 实现的，比较好读懂。代码中的 findCorrespondingSurfFeatures(), findCorrespondingCornerFeatures() 函数即为 costfunction 中的点面/线距离残差计算函数，基本沿用了loam的实现方式，其中jacobianCoffSurfs, jacobianCoffCorns 变量为点面/线距离残差关于点的雅可比矩阵，该过程在之前推送的文章《泡泡点云时空 LOAM 专题-3】LOAM 代价函数设计与雅可比求解详细推导(上)》有详细的推导，感兴趣的可以去看下。

代码中，Hk_为点面/线距离残差关于误差状态的雅可比矩阵，作者是用 BCH 近似求解的，其实含义上与 LOAM 算法在 Odometry，Mapping 部分最终求解得到的是一样的，都是点面/线距离关于误差状态的雅可比矩阵，只不过求解方式表达形式不同，LOAM 中姿态是用欧拉角表示的，LINS 是四元数。

performIESKF()函数的剩余部分就是论文中公式 15-18 的实现，比较易懂就不赘述了。 （二）滤波与优化有何不同 其实，讨论滤波框架与优化框架的不同是一个相对比较大的问题，为了更具体一些，我们仅就 LINS 算法使用的 IESKF 做的滤波的 LIO 前端与 LIO-SAM 等以高斯牛顿或LM优化为框架的 LIO 前端做对比(当然严格意义上来说，LIO-SAM 的前端其实只有预积分，省略了激光里程计，使用 scan-to-map 匹配校正 imu 零偏，但是不影响我们的分析过程)。 1、框架差异。从框架上说，LINS 使用的 IESKF 是将所有的状态一起放到滤波框架里估计，而以 LIO-SAM 为代表的算法前端，是预积分+scan-to-map 算法，其中 scan-to-map 模块使用 LM方法计算帧图位姿，得到计算出的位姿后，输入预积分模块校正imu 零偏。也就是说 imu 零偏的估计与激光匹配位姿计算是分开的，而 LINS 使用了 IESKF 将二者当作状态一起估计。 2、理论差异。其实在 1993 年的论文[2]中就已经证明了 IKF 的更新方程与 Gauss-Newton 理论上是等价的。详细的推导过程可以参考论文，为了方便理解，我们在这里做一个简化的推导。 参照 LINS 论文中公式 15-17

当我们使用 Gauss-Newton 求解待估状态时，通常用到的公式是:

其实从方程的形式上，怎么看这个方程也与 LINS 中的公式 16 差别挺大。下面我们尝试尽量直白的解释下 Gauss-Newton 与 IESKF 更新方程的等价性。 对于一些刚接触SLAM的同学来说，可能有一个疑问是Gauss-Newton 求解时很少用到协方差矩阵，但是卡尔曼的更新方程中的卡尔曼增益是需要计算协方差矩阵的，如何理解? 其实 Gauss-Newton 只是一个公式，当我们设计误差函数时带有协方差矩阵，那么 Gauss-Newton 求解过程中就会有协方差矩阵的计算，实际上论文[2]中也正是通过这种方式证明的等价性。由于我们实际在用 Gauss-Newton 求解时基本不考虑协方差矩阵(指点云匹配求解位姿时)，为了更好的理解，我们假设噪声相关的矩阵都为单位矩阵，那么 LINS 论文中的公式 15 变为:

那么公式 16 变为

到这一步可以看到跟 Gauss-Newton 的方程不一致。这个时候要借助一个重要的公式实现转换，即 matrix inversion lemma，即矩阵求逆引理，即如果 A,C 为非奇异矩阵，那么有

那么公式 16 可以变为:

到这里，其实我们看这个形式跟优化的方法已经很像了，但是跟标准的高斯牛顿求解方程还是不一致。现在我们定义如下观测方程:

则其对应的雅可比矩阵为，

因此，

可以看到此时方程出现了我们熟悉的高斯牛顿的公式。因为滤波的框架里面其实是同时考虑状态方程与观测方程，因此使用最小二乘的框架构建的时候需要构建成如上形式。 个人的观点是，如果单从最终的公式来看，使用高斯牛顿求解两帧点云的相对位姿，与 LINS 中使用 IESKF 求解结果并不完全相等，因为求解出来的状态更新方程并不是完全一样，但是从理论上说，IESKF 的更新方程可以统一到最小二乘的框架里，因此效果上二者应该是近似的。

算法效果

根据论文提供的实验结果，如果考虑前端+后端的整体处理效果，算法在公园与林间场景表现较好，但是在城区以及港口效果不及 LIOM。如果只考虑前端激光里程计，算法在除了港口场景外都是最优的，毕竟论文的主要贡献在前端。

总结

本文通过理论分析与代码对比介绍了 LINS 算法，其中主要介绍了 LINS 如何使用滤波框架做激光 SLAM，以及优化与滤波的区别。主要是把前端激光里程计部分改为了滤波框架，并且引入了 IMU 做紧耦合。同时，我们也推导了滤波的更新方程其实可以由高斯牛顿法推导而来。希望对读者有所帮助，如果错误烦请指出。

审核编辑：郭婷