AI CLEAN 兩篇論文入選國際頂尖會議ICRA2023

AI CLEAN 發表的兩篇論文被國際頂尖會議ICRA 2023 所接受，分別是「Faster-LIO: Lightweight Tightly Coupled Lidar-inertial Odometry using Parallel Sparse Incremental Voxels」和「Anderson Acceleration for on-Manifold Iterated Error State Kalman Filters」這兩篇論文解決了地面自動駕駛的難題，分別提出了一種基於增量體素的高效光達慣性里程計和基於安德森加速度的迭代擴展卡爾曼濾波器。

IEEE 國際機器人與自動化會議（IEEE ICRA）由IEEE 國際機器人與自動化協會主辦，每年一次，IEEE ICRA 是機器人領域的頂級國際會議，規模排名第一（超過1000人）和影響力。 IEEE ICRA 是機器人領域規模（超過 1000 名與會者）和影響力的頂級國際會議。這是機器人領域權威研究人員展示其研究成果的首要國際論壇。

Faster-LIO：使用平行稀疏增量體素的輕量級緊密耦合雷射雷達慣性里程計

本文提出了一種基於增量體素的雷射雷達慣性里程計（LIO）方法，用於快速追蹤旋轉和固態雷射雷達掃描點雲。為了獲得高追蹤速度，本文既沒有使用複雜的基於樹的結構來劃分空間點雲，也沒有使用嚴格的k 近鄰（k-NN）查詢來計算點匹配。

採用增量體素（iVox）作為點雲空間資料結構，在傳統體素的基礎上進行修改，支援增量插入和平行近似k-NN 查詢，提出線性iVox 和PHC（偽希爾伯特曲線） ) iVox  作為演算法中兩個可選的底層結構。

實驗表明，iVox  在固態雷射雷達中每次掃描的速度達到 1000-2000 Hz，在 32 線旋轉雷射雷達（僅使用現代 CPU）中每次掃描速度超過 200 Hz，同時保持相同的精度水平！

流形上迭代誤差狀態卡爾曼濾波器的安德森加速

本文表明，迭代擴展卡爾曼濾波器（IEKF）是一種廣泛應用於即時定位應用中的估計器，透過多次迭代觀測方程式來找到更好的線性化點來節省計算資源，並且每次，它只執行當前時間點的狀態估計。。

受最近迭代最近點演算法（iterativeclosestpointalgorithm）的啟發，本文提出了一種加速迭代誤差狀態卡爾曼濾波器（IESKFs）。結果表明，IESKF 可以轉化為迭代固定問題，這使得安德森加速度（AA）可以直接應用於 IESKF 的迭代，因為 IESKF 的誤差狀態自然存在於切割空間中，而不需要額外的轉換。

然而，目前估計的切空間在迭代期間可能會發生變化，因此本文應將切空間變換到起點來進行安德森加速。文章提出了 AA-IEKF 並將其應用於雷射雷達慣性里程計（LIO）系統來估計其自行。實驗表明，Anderson 加速可以有效減少ESKF 的迭代次數，減少總計算量。