Simultaneous localization and mapping is a fundamental process in robot navigation. We focus on LiDAR to complete this process in ground robots traveling on complex terrain by proposing GR-LOAM, a method to estimate robot ego-motion by fusing LiDAR, inertial measurement unit (IMU), and encoder measurements in a tightly coupled scheme. First, we derive a odometer increment model that fuses the IMU and encoder measurements to estimate the robot pose variation on a manifold. Then, we apply point cloud segmentation and feature extraction to obtain distinctive edge and planar features. Moreover, we propose an evaluation algorithm for the sensor measurements to detect abnormal data and reduce their corresponding weight during optimization. By jointly optimizing the cost derived from the LiDAR, IMU, and encoder measurements in a local window, we obtain low-drift odometry even on complex terrain. We use the estimated relative pose in the local window to reevaluate the matching distance across features and remove dynamic objects and outliers, thus refining the features before being fed to a mapping thread and increasing the mapping efficiency. In the back end, GR-LOAM uses the refined point cloud and tightly couples the IMU and encoder measurements with ground constraints to further refine the estimated pose by aligning the features on a global map. Results from extensive experiments performed in indoor and outdoor environments using real ground robot demonstrate the high accuracy and robustness of the proposed GR-LOAM for state estimation of ground robots.

同时定位和映射是机器人导航的基本过程。我们将重点放在LiDAR上，通过提出GR-LOAM来完成在复杂地形上行驶的地面机器人的这一过程，GR-LOAM是一种通过紧密结合方案将LiDAR，惯性测量单元（IMU）和编码器测量值融合来估算机器人自我运动的方法。首先，我们得出一个里程表增量模型，该模型将IMU和编码器的测量结果融合在一起，以估计歧管上机器人的姿态变化。然后，我们应用点云分割和特征提取以获得独特的边缘和平面特征。此外，我们提出了一种用于传感器测量的评估算法，以检测异常数据并在优化过程中减少其相应的权重。通过共同优化在本地窗口中从LiDAR，IMU和编码器测量得出的成本，即使在复杂的地形上，我们也能获得低漂移里程表。我们使用局部窗口中的估计相对姿势重新评估各个要素之间的匹配距离，并删除动态对象和离群值，从而在将要素送入映射线程之前对其进行细化，从而提高了映射效率。在后端，GR-LOAM使用改进的点云并将IMU和编码器测量值与地面约束紧密耦合，以通过在全局地图上对齐要素来进一步优化估计的姿态。使用真实地面机器人在室内和室外环境中进行的大量实验的结果表明，提出的GR-LOAM用于地面机器人状态估计的高精度和鲁棒性。我们使用局部窗口中的估计相对姿势重新评估各个要素之间的匹配距离，并删除动态对象和离群值，从而在将要素送入映射线程之前对其进行细化，从而提高了映射效率。在后端，GR-LOAM使用改进的点云并将IMU和编码器测量值与地面约束紧密耦合，以通过在全局地图上对齐要素来进一步优化估计的姿态。使用真实地面机器人在室内和室外环境中进行的大量实验的结果表明，提出的GR-LOAM用于地面机器人状态估计的高精度和鲁棒性。我们使用局部窗口中的估计相对姿势重新评估各个要素之间的匹配距离，并删除动态对象和离群值，从而在将要素送入映射线程之前对其进行细化，从而提高了映射效率。在后端，GR-LOAM使用改进的点云并将IMU和编码器测量值与地面约束紧密耦合，以通过在全局地图上对齐要素来进一步优化估计的姿态。使用真实地面机器人在室内和室外环境中进行的大量实验的结果表明，提出的GR-LOAM用于地面机器人状态估计的高精度和鲁棒性。GR-LOAM使用改进的点云，并将IMU和编码器测量值与地面约束紧密耦合，以通过在全局地图上对齐要素来进一步优化估计的姿态。使用真实地面机器人在室内和室外环境中进行的大量实验的结果表明，提出的GR-LOAM用于地面机器人状态估计的高精度和鲁棒性。GR-LOAM使用改进的点云，并将IMU和编码器测量值与地面约束紧密耦合，以通过在全局地图上对齐要素来进一步优化估计的姿态。使用真实地面机器人在室内和室外环境中进行的大量实验的结果表明，提出的GR-LOAM用于地面机器人状态估计的高精度和鲁棒性。