摘要

同步定位和建图 (SLAM) 技术在过去几十年取得了惊人的进步，并引起了自动驾驶社区的极大兴趣。凭借其在导航和地图绘制的概念根源，SLAM 优于一些传统的定位和定位技术，因为它可以支持更可靠和稳健的定位、规划和控制以满足自动驾驶的一些关键标准。在这项研究中，作者首先概述了不同的 SLAM 实现方法，然后针对不同的驾驶场景、车辆系统组件和 SLAM 方法的特点讨论了 SLAM 在自动驾驶中的应用。然后，作者讨论了将 SLAM 应用于自动驾驶时的一些具有挑战性的问题和当前的解决方案。综述了评估SLAM系统的特性和性能以及监控SLAM估计风险的一些定量质量分析方法。

此外，本研究还描述了一个真实世界的道路测试，以展示用于自动驾驶的基于多传感器的现代化 SLAM 程序。数值结果表明，结合激光雷达和 GNSS/INS 的 SLAM 程序可以生成高精度 3D 点云地图。基于此预生成地图和在线激光雷达扫描与紧密融合的惯性系统匹配，可以实现在线四到五厘米精度定位解决方案。本研究描述了一个真实世界的道路测试，以展示用于自动驾驶的基于多传感器的现代化 SLAM 程序。数值结果表明，结合激光雷达和 GNSS/INS 的 SLAM 程序可以生成高精度 3D 点云地图。

基于此预生成地图和在线激光雷达扫描与紧密融合的惯性系统匹配，可以实现在线四到五厘米精度定位解决方案。本研究描述了一个真实世界的道路测试，以展示用于自动驾驶的基于多传感器的现代化 SLAM 程序。数值结果表明，结合激光雷达和 GNSS/INS 的 SLAM 程序可以生成高精度 3D 点云地图。基于此预生成地图和在线激光雷达扫描与紧密融合的惯性系统匹配，可以实现在线四到五厘米精度定位解决方案。

一、简介

自主（也称为自动驾驶、无人驾驶或机器人）车辆操作是一个重要的学术和工业研究课题。据预测，全自动驾驶汽车将成为未来几十年汽车总销量的重要组成部分。自动驾驶汽车的推广引起了人们对许多优势的关注，例如为残疾人或老年人提供服务、减轻驾驶员压力和成本、减少道路事故、消除对传统公共交通服务的需求等。[ 1 , 2 ] .

典型的自动驾驶汽车系统包含四个关键部分：定位、感知、规划和控制（图 1）。定位是获取（移动或静态）对象相对于给定坐标系的坐标的过程。坐标系可以是局部坐标系或大地基准，例如WGS84。定位是估计载体相对于参考系或地图的姿态（位置和姿态）的过程。感知系统监测本车周围的道路环境，识别感兴趣的对象，如行人、其他车辆、红绿灯、指示牌等。

图 1. 自动驾驶系统的功能组件。

通过确定周围环境中物体的坐标，可以生成地图。此过程称为建图。

路径规划是利用定位、建图和感知信息来确定后续驾驶时期的最佳路径，将自动驾驶车辆从一个位置引导到另一个位置的步骤。然后使用控制系统组件将该计划转化为行动，例如，在检测到交通灯之前进行制动控制等。

所有这些部分都是密切相关的。车辆和道路实体的位置信息可以通过结合位置、感知和地图信息来获得。相比之下，定位和建图可用于支持更好的感知。准确的定位和感知信息对于正确的规划和控制至关重要。

为实现全自动驾驶，定位和感知步骤需要考虑一些关键要求。首先是准确性。对于自动驾驶，有关道路位置和车辆在车道内位置的信息支持规划和控制步骤。为了实现这些，并确保车辆安全，对车道级别甚至“where-in-lane”级别（即子车道级别）的位置估计有严格的要求。识别范围很重要，因为规划和控制步骤需要足够的处理时间让车辆做出反应 [ 3]. 鲁棒性意味着定位和感知应该对驾驶时的任何变化具有鲁棒性，例如驾驶场景（城市、高速公路、隧道、乡村等）、照明条件、天气等。

传统的车辆定位和感知技术无法满足上述所有要求。例如，由于信号可能被树木、城市峡谷、隧道等扭曲甚至阻挡，因此会出现 GNSS 误差。惯性导航系统 (INS) 通常用于在 GNSS 信号中断期间支持导航，以继续提供位置、速度和高度信息。然而，惯性测量偏差需要经常估计校正或校准，最好使用 GNSS 测量来实现。然而，集成的 GNSS/INS 系统仍然不够，因为高度自动化驾驶不仅需要宿主车辆的定位信息，还需要周围环境中物体的空间特征。因此，感知传感器，例如激光雷达和相机，通常用于定位和感知。激光雷达可以直接获取 3D 点云，并借助 GNSS 和 INS 绘制环境地图，在城市道路行驶条件下精度可达厘米级 [4 ]。然而，高昂的成本限制了激光雷达系统在车辆中的商业应用。此外，其准确性受天气（例如下雨）和照明条件的影响。与激光雷达相比，摄像头系统的精度较低，但也会受到众多误差源的影响 [ 5、6 ]。然而，它们更便宜、体积更小、需要更少的维护并且使用更少的能源。基于视觉的系统可以提供丰富的环境信息，类似于人眼可以感知的信息，并且数据可以与其他传感器融合以确定检测到的特征的位置。

具有丰富道路环境信息的地图对于上述传感器实现准确和稳健的定位和感知至关重要。预先存储的道路信息使自动驾驶对不断变化的环境和道路动态具有鲁棒性。由于车载地图可以及时提供路网信息，因此可以满足识别范围要求。已经使用不同类型的地图信息研究了基于地图的定位和导航。谷歌地图就是一个例子，因为它提供全球地图信息，包括图像、地形细节和卫星图像 [ 7 ]，并且可以通过手机和车辆应用程序获得。但是，地图的使用将受到地图精度的限制，并且在某些选定区域中，地图的分辨率可能不足。在 [ 8]，作者通过结合来自其他传感器的数据来考虑用于导航的低精度地图。他们使用激光雷达数据检测移动物体，并使用带有粗略开源 GIS 地图的 GNSS/INS 系统。他们的结果表明他们的融合技术可以成功地检测和跟踪移动物体。[ 9 ]中提出了一种使用 3D 激光雷达传感器和高精度地图的基于路缘地图的精确定位方法。但是，当路缘信息缺失或受阻时，此方法将失败。

最近，所谓的“高清”(HD) 地图在自动驾驶的背景下受到了极大的关注，因为它们包含非常准确且大量的道路网络信息 [10 ]。据商业高清地图市场的一些主要参与者称，已经达到 10-20 厘米的精度[ 11、12】，预计在下一代高精地图中，精度将达到几厘米。此类地图包含大量道路特征信息，不仅包括静态道路实体和道路几何形状（曲率、坡度等），还包括交通管理信息，如交通标志、红绿灯、限速、道路标记等。自动驾驶汽车可以使用高精地图精确定位主车在车道内，并通过将车载传感器识别的地标与车道内预存信息进行匹配，估计汽车相对于道路物体的相对位置。高清地图。

因此，地图，尤其是高清地图，在支持自动驾驶方面发挥着多种作用，可能能够满足准确度、精确度、识别距离、鲁棒性和信息丰富度等严苛要求。然而，同时定位与建图（SLAM）等技术也促进了“地图”在自动驾驶中的应用。SLAM 是移动平台构建环境地图并同时使用该地图推断其位置的过程。广泛应用于机器人领域的 SLAM 已被证明 [ 13、14 ] 适用于自动驾驶车辆操作，因为它不仅可以支持精确的地图生成，还可以在先前生成的地图中进行在线定位。

通过适当的传感器信息（感知数据、绝对和航位推算位置信息），可以通过 SLAM 离线生成高密度和精确的地图。驾驶时，自动驾驶汽车可以通过将传感器数据与地图进行匹配，在预先存储的地图中定位自己。SLAM 还可用于解决 DATMO（移动物体的检测和跟踪）问题 [ 15] 这对于检测行人或其他移动物体很重要。由于环境的静态部分由 SLAM 定位和建图，因此可以同时检测和跟踪相对于静态对象或特征的动态组件。然而，SLAM 在应用于自动驾驶应用时也存在一些具有挑战性的问题。例如，“闭环”可用于减少室内或城市场景中 SLAM 估计中的累积偏差，但通常不适用于高速公路场景。

本文将回顾SLAM的一些关键技术，SLAM在自动驾驶中的应用，以及与应用相关的合适的SLAM技术。第 2 节简要介绍了一些关键 SLAM 技术的原理和特点。第 3 节描述了 SLAM 在自动驾驶中的一些潜在应用。第 4 节讨论了将 SLAM 技术应用于自动驾驶的一些具有挑战性的问题。第 5 节描述了一个真实世界的道路测试，以显示基于多传感器的自动驾驶 SLAM 程序的性能。结论在第 6 节中给出。

2. 关键SLAM技术

自 1986 年首次推出 [ 16 ] 以来，已经开发了多种 SLAM 技术。SLAM 的概念根源于大地测量学和地理空间建图 [ 17 ]。

一般来说，有两种类型的 SLAM 估计方法：基于滤波器和基于优化。两种方法同时估计车辆姿态状态和地图状态。车辆姿态包括 3D 或 2D 车辆位置，但有时还包括速度、方向或姿态，具体取决于所使用的传感器和应用程序。

2.1. 在线和离线 SLAM

图 2和图 3说明了两种一般的 SLAM 实现：在线 SLAM 和离线 SLAM（有时称为全 SLAM）。根据 [ 18 ]，全 SLAM 试图计算整个路径上的变量以及地图，而不仅仅是当前位姿，而在线 SLAM 问题是通过从全 SLAM 问题中删除过去的位姿来解决的。

图 2. 在线 SLAM 描述

图 3. 离线 SLAM 描述。

这里，x k代表车辆在时间k的位姿（位置、姿态、速度等） 。m是由存储的地标 ( f 1 – f 4 ) 及其位置状态组成的地图。u k是控制输入，表示时间段k − 1 和k之间的车辆运动信息，例如加速度、转角等，可以从车轮编码器或惯性传感器等车辆运动传感器获取。在某个时期k，机载传感器（如 Camera、Lidar 和 Radar）将感知环境并检测一个或多个地标。车辆和所有观察到的地标之间的相对观察表示为z k。有了这些信息，就可以估计变量（包括车辆姿态和地图状态）。

图 2和图 3中的蓝色背景矩形表示在这两个实现中估计的状态变量。在大多数情况下，对于在线 SLAM，在生成地图并使用最新测量值（u k +2和z k +2 ）更新地图时，仅估计当前车辆位姿x k +2，而在离线情况下SLAM实现，车辆的整个轨迹连同整个地图一起更新。所有可用的控制和观察测量将一起用于离线 SLAM 实施。

然而，随着SLAM算法的发展和计算能力的提高，可以使用高效的SLAM算法实时获得完整的SLAM解决方案，也可以将其视为在线问题。因此，在线或离线实施 SLAM 方法可能取决于它所需的测量输入（控制和观察）是来自当前/历史还是来自未来的时代，以及它的处理时间（实时或非实时）。

2.2. 基于滤波器的 SLAM

基于滤波器的 SLAM 分两步递归地解决 SLAM 问题。首先，使用处理模型和控制输入来预测车辆和地图状态。在下一步中，使用当前传感器观测值对预测状态进行校正。因此，基于滤波器的 SLAM 适用于在线 SLAM。

基于扩展卡尔曼滤波器的 SLAM (EKF-SLAM) 代表了 SLAM 问题的标准解决方案。它源自贝叶斯过滤，其中所有变量都被视为高斯随机变量。它包括两个步骤：时间更新（预测）和测量更新（过滤）。在每个时期，测量和运动模型都被线性化（使用当前状态和一阶泰勒展开）。然而，由于线性化不是围绕状态向量的真实值进行的，而是围绕估计值 [ 19 ] 进行的，因此线性化误差会累积并可能导致估计发散。因此，可能会出现不一致。

与 EKF-SLAM 相关的另一个问题是地图尺寸的不断扩大，这使得大规模 SLAM 的二次计算过程变得不切实际。对于自动驾驶来说，复杂的道路环境和较长的行驶周期会引入大量的特征，使得实时计算不可行。为了提高计算效率，人们开发了大量的算法。例如，压缩扩展卡尔曼滤波器 (CEKF) [ 20 ] 算法可以通过关注局部区域然后将过滤后的信息扩展到全球地图来显着减少计算量。具有子图的算法也已用于解决计算问题[ 21、22、23、24]. 当旧地图达到预定义的地图大小时，使用新的空白地图替换旧地图。维护更高级别的地图以跟踪每个子地图之间的链接。

还有一些其他基于滤波器的 SLAM 方法，例如卡尔曼滤波器的一些变体。其中之一，信息滤波器 (IF)，以状态误差协方差矩阵的逆形式传播，这使得该方法更加稳定 [ 25 ]。这种方法在多车 SLAM 中比在单车系统中更受欢迎。

另一类基于滤波器的 SLAM 技术是近年来流行的粒子滤波器 (PF)。PF 通过代表贝叶斯后验概率的一组随机点簇（或粒子）执行顺序蒙特卡洛（SMC）估计。在 [ 26 ]中提出了 Rao-Blackwellized 粒子滤波器。Fast-SLAM 是一种流行的实现方式，它将机器人位置分布视为一组 Rao-Blackwellized 粒子，并使用 EKF 来维护局部地图。这样一来，SLAM的计算复杂度就大大降低了。Fast-SLAM [ 27 ]可以实现实时应用，使自动驾驶的在线 SLAM 成为可能。与 EKF 相比的另一个优势是粒子滤波器可以处理非线性运动模型 [ 28]. 然而，根据 [ 29、30 ]，Fast-SLAM 由于无法忘记过去而遭受退化。如果边缘化地图并在执行重采样时，统计准确性就会丢失。

2.3. 基于优化的 SLAM

Full SLAM 使用整个传感器数据估计所有车辆姿态和地图状态，并且主要基于优化。与基于滤波器的 SLAM 类似，基于优化的 SLAM 系统由两个主要部分组成：前端和后端。在前端步骤中，SLAM系统通过传感器数据提取问题的约束条件，例如，通过执行特征检测和匹配、运动估计、闭环检测等。然后应用非线性优化来获得最大似然估计在后端。

图 SLAM 是全 SLAM 的主要类别之一，它使用图形结构来表示贝叶斯 SLAM。所有平台沿整个轨迹构成，所有检测到的特征都被视为节点。姿势之间的空间约束被编码在节点之间的边缘中。这些约束来自观察、里程计测量和闭环约束。图构建后，应用图优化以优化整个轨迹和地图的图模型。为了求解全优化和计算后验的高斯近似，可以使用多种方法，例如 Gauss–Newton 或 Levenberg–Marquardt [31 ]。

对于基于图的 SLAM，其协方差矩阵的大小和更新时间在生成图后是恒定的，因此图 SLAM 已成为构建大规模地图的流行方法。降低优化步骤的计算复杂度已成为实际实现高维 SLAM 问题的主要研究课题之一。有效解决优化步骤的关键是法线矩阵的稀疏性。每个测量仅与非常有限数量的变量相关联的事实使得矩阵非常稀疏。利用Cholesky分解和QR分解方法，可以有效地分解信息矩阵和测量雅可比矩阵，从而显着降低计算成本。已经提出了几种算法，例如TORO和g2o。32、33、34、35、36 ]。_ _ _ _ _ _ _ 子地图可以独立优化并与局部坐标系相关。子地图坐标可以被视为姿势节点，与运动约束或闭环约束相关联。因此，生成了全局位姿图。以这种方式，计算复杂度和更新时间将得到改进。

Smoothing and Mapping (SAM) 是另一种基于优化的 SLAM 算法，是一种非线性最小二乘问题。这样的最小二乘问题可以通过增量平滑和建图 (iSAM) [ 37 ] 和 iSAM2 [ 38 ] 逐步解决。在线 SLAM 可以通过增量 SAM 获得，因为它们避免了对整个协方差矩阵进行不必要的计算。iSAM2 更高效，因为它使用贝叶斯树来获得增量变量重新排序和流体重新线性化。

SLAM++ 是另一种基于非线性最小二乘优化的 SLAM 增量解决方案，非常高效。此外，对于在线 SLAM 实现，快速状态协方差恢复对于数据关联、获得简化状态表示、主动决策和下一个最佳视图非常重要 [39、40 ]。SLAM++ 有一个优势，因为它允许增量协方差计算，这比其他实现更快[ 40 ]。

表 1总结了一些典型的 SLAM 技术的特征。请注意，Graph SLAM 利用所有可用的观察和控制信息，可以实现非常准确和稳健的估计结果。它适用于离线应用，其性能依赖于良好的初始状态猜测。Filter-based SLAM 用于在线估计时更适合小规模环境，但对于复杂环境，传统的 EKF-SLAM 可能难以进行实时计算。应考虑其他变体或 fastSLAM。增量优化方法可以进行增量更新，从而以非常高的效率实时地提供大比例尺地图的最优估计。

表 1. 一些典型 SLAM 技术的特征

2.4. SLAM 的传感器和融合方法

由于传感器和计算技术的进步，出现了新的 SLAM 方法。这些方法在后端估计步骤也是基于优化或基于过滤的，而前端步骤高度依赖于不同传感器模式的应用。用于 SLAM 的两个主要传感器是激光雷达和相机。与其他传感器相比，激光雷达方法因其简单性和准确性而变得流行 [ 52 ]。基于激光雷达的定位和建图的核心是扫描匹配，恢复两个扫描或点云的相对位置和方向。流行的扫描匹配方法包括迭代壁橱点 (ICP) 算法及其变体[ 53、54、55]，以及正态分布变换 (NDT) [ 56 ]。这些方法高度依赖于良好的初始猜测，并受到局部最小值 [ 57、58 ]的影响。其他一些匹配方法包括概率方法，例如相关扫描匹配 (CSM) [ 59 ]、基于特征的方法 [ 57、60 ]等。许多扫描匹配方法专注于初始免于初始化错误或对初始化错误具有鲁棒性，但它们仍然面临计算效率的挑战。

一些可用于 SLAM 估计的距离传感器是雷达和声纳/超声波传感器。雷达的工作方式与激光雷达类似，但该系统发射无线电波而不是光来测量到物体的距离。此外，由于雷达可以使用测量的多普勒频移 [ 61 ]来观察传感器与物体之间的相对速度，因此适用于区分静止物体和运动物体，并可用于在建图过程中丢弃运动物体 [ 62 ]。在[ 42 , 62 , 63 , 64 , 65 , 66中可以找到一些关于将雷达用于 SLAM 的研究]. 与激光雷达相比，低价格、低功耗和对大气条件的敏感性较低，使其非常适合户外应用。然而，雷达的测量分辨率较低，其检测比激光雷达更稀疏。因此，很难匹配雷达数据和处理数据关联问题，这导致其 3D 建图不太准确。

声纳/超声波传感器还通过发送和接收声波来测量飞行时间 (TOF) 以确定到物体的距离。基于声纳的 SLAM 最初用于水下 [ 67、68 ] 和室内 [ 69 ]应用。由于其低成本和低功耗，它已变得流行。它不受能见度限制的影响，可用于多种表面类型 [ 70]. 然而，与雷达类似，它获取的信息稀疏，并且存在特征提取不准确和处理时间长的问题。因此，它在高速车辆应用中的用途有限。此外，声纳/超声波传感器的感应范围有限，可能会受到环境噪声和其他使用相同频率超声波的平台的影响[ 71 ]。

相机是另一种流行的 SLAM 传感器。已经开发了不同的技术，例如单目[ 72、73 ] 、立体[ 74、75、76、77 ]和多摄像头[ 78、79、80、81 ] 。这些技术可用于各种环境，包括室内和室外。单摄像头系统易于部署，但存在规模不确定性[ 82 ]。立体相机系统可以克服比例因子问题，并且可以通过从两个不同的角度比较同一场景来检索 3D 结构信息 [ 61]]. 多相机系统受到越来越多的关注，特别是当它们实现大视野 [ 78 ] 或者甚至能够实现全景视觉 [ 81 ] 时。该系统在复杂环境中更加稳健，而单传感器系统可能非常容易受到环境干扰[ 81 ]。然而，相机的集成需要额外的软件和硬件，并且需要更多的校准和同步工作[ 71、83 ]。另一种特殊的相机，RGB-D 相机，已经被 SLAM 和计算机视觉社区研究 [ 84 , 85 , 86 , 87 , 88 , 89, 90 , 91 ] 因为它可以直接获取深度信息。然而，该系统主要适用于室内环境，因为它使用红外光谱光，因此对外部照明敏感[ 70 ]。

根据测量的使用方式，视觉 SLAM 也可以分为基于特征的或直接的 SLAM。基于特征的 SLAM 反复检测图像中的特征，并利用描述性特征进行跟踪和深度估计 [ 92 ]。这种基于特征的系统的一些基本框架包括 MonoSLAM [ 72、93 ]、PTAM [ 94 ] 、 ORB -SLAM [ 95 ] 和 ORB-SLAM2 [ 96 ]。直接 SLAM 方法不使用任何特征检测器和描述符，而是使用整个图像。直接 SLAM 的示例包括 DTAM [ 97 ]、LSD-SLAM [ 73 ] 和 SVO [ 98]]. 这些方法可以获得密集或半密集的环境模型，这使得它们比基于特征的方法对计算的要求更高。恩格尔等。[ 74 ] 将 LSD-SLAM 从单眼模型扩展到立体模型，而 Caruso 等人。[ 99 ] 将 LSD-SLAM 扩展到全向模型。视觉SLAM的详细回顾可以在 [ 5 ]和[ 70、92、100、101 ]中找到。

这些感知传感器中的每一个都有其优点和局限性。激光雷达方法可以提供精确和远距离的观测，但存在一些局限性，例如对大气条件敏感、价格昂贵且目前相当笨重。雷达系统成本相对较低，但比 3D 建图更适合对象检测。声纳/超声波传感器不适合高速平台应用。相机成本低，即使使用多个相机也是如此。相机还可以提供丰富的视觉信息。然而，它们对环境纹理和光线敏感，并且通常具有很高的计算要求。因此，一种流行的策略是组合多种传感器，使 SLAM 系统更加鲁棒。

有几种策略可以为 SLAM 集成来自不同传感器的数据。一种是融合独立处理的传感器结果，然后获得最终解决方案。在[ 102 ]中，提出了一种将激光和立体相机测量分别生成的两个网格图合并为单个网格图的建图方法。在这种方法中，需要将不同传感器的测量值建图到一个联合参考系统。在 [ 103]，一种多传感器 SLAM 系统，结合了激光读数的 3-DoF 姿态估计、单目视觉系统的 6-DoF 姿态估计以及基于惯性的导航估计结果，使用提出了EKF处理方案。对于这种类型的策略，传感器可以提供冗余，并且系统将对可能的单传感器故障具有鲁棒性。可能需要一个决策步骤来识别来自每个传感器的数据是否可靠，并决定是采用来自该传感器模式的估计还是忽略它。另一种融合策略是使用辅助传感器来提高其他基于传感器的 SLAM 算法的性能。主传感器可以是激光雷达或摄像头，而辅助传感器可以是任何其他类型的传感器。在这个策略中，辅助传感器用于克服主传感器的局限性。在[工作104 ] 结合视觉信息为刚体变换提供良好的初始猜测，然后使用该初始变换为 ICP 框架播种。黄等。[ 105 ] 从激光雷达数据中提取基于点和基于线的地标的深度。所提出的系统使用此深度信息来指导相机跟踪，并支持后续的点线束调整以进一步提高估计精度。

以上两种策略可以结合使用。在[ 106 ]的工作中，融合由两个模型组成，一个处理特征融合，利用图像中的线特征信息去除激光段中由动态物体产生的任何“伪段”。另一个是改进的 EKF SLAM 框架，它结合了从单个单目和激光 SLAM 获得的状态估计，以减少姿态估计协方差并提高定位精度。这种改进的 SLAM 框架即使在一个传感器发生故障时也可以运行，因为传感器 SLAM 过程是相互并行的。

在文献中也可以找到一些更紧密融合的例子。[ 107 ]的工作结合了激光点云数据和图像特征点数据作为约束，并使用特定的成本函数对这两个约束进行了图形优化。此外，该系统还添加了基于图像特征的闭环以消除累积误差。

惯性 SLAM 包含一个惯性测量单元 (IMU) 作为辅助传感器。IMU 可以与 Camera 或 Lidar 融合，支持位姿（位置、速度、姿态）估计。使用 IMU，可以观察到姿态，尤其是航向 [ 108 ]。IMU 测量的集成还可以提高观察间隙期间的运动跟踪性能。例如，对于视觉 SLAM，光照变化、无纹理区域或运动模糊将导致视觉轨迹丢失 [ 108 ]。对于激光雷达系统，原始激光雷达扫描数据可能会因高速运动（例如快速移动或突然摇晃）而产生倾斜，从而导致难以解释的传感误差 [109 ]。[ 110的工作] 使用 IMU 传感器来处理快速速度变化，并初始化运动估计以进行扫描匹配激光雷达里程计，以支持他们的 LOAM 系统。两次激光雷达扫描之间的高频 IMU 数据可用于消除激光雷达点云的偏移并提高其精度 [ 109 ]。

惯性传感器的融合可以作为一个简单的助手 [ 111 , 112 ] 或更紧密的耦合 [ 108 , 113 , 114 , 115 ]。对于简单的辅助情况，IMU 主要用于提供方向信息，例如支持系统初始化。IMU 用作整个系统的先验，IMU 测量不用于进一步优化。对于紧耦合情况，IMU数据与相机/激光雷达状态融合建立测量模型，然后进行状态估计并反馈给惯性导航系统以提高导航性能[ 116]. 因此，前一种方法比后者更有效，但准确性较低 [ 117 ]。对于紧密耦合的情况，卡尔曼滤波器可用于校正 IMU 状态，即使在 GNSS 中断期间也是如此 [ 118 ]。