Kurzfassung
Präzise Positionierung und Kartenerstellung sind Schlüsseltechnologien für autonome Roboter. Die meisten autonomen und halbautonomen Systeme verwenden ein LiDAR-basiertes Simultaneous Localization and Mapping (SLAM)-System in Kombination mit MEMS inertialen Messeinheiten (IMU). Wenn LiDAR ausfällt und nur mehr IMU-Daten zur Berechnung des Zustandsvektors des Roboters herangezogen werden, werden Messfehler akkumuliert und die Position des Roboters driftet weg. Nach einigen Sekunden ohne LiDAR-Daten sind LiDAR-inertiale SLAM-Systeme nicht mehr in der Lage, den Scan nach dem Ausfall in der bereits erstellten Karte zu registrieren. In diesem Beitrag wird ein neuartiger Ansatz zur Fusionierung von LiDAR, Inertial- und Rad-Odometrie in einem Faktorgraphen für SLAM vorgestellt. Ein kombiniertes IMU- und Rad-Odometriemodell wird als erste Schätzung für den LiDAR-Scanabgleich und zur Überbrückung von LiDAR-Ausfällen verwendet. Der Algorithmus wird für zwei verschiedene Robotermodelle validiert und getestet. Die Ergebnisse zeigen, dass mit dem neuen IMU- und Rad-Odometrie-Modell die Lokalisierungsgenauigkeit während LiDAR-Ausfällen verbessert wird. Nach 30 Sekunden ohne LiDAR-Daten können die LiDAR-Punktwolken nach dem Ausfall immer noch zur zuvor erstellten Karte registriert werden.

Abstract
Precise positioning and mapping are key technologies for autonomous robots. Most autonomous and semi-autonomous systems use a LiDAR-focused Simultaneous Localization and Mapping (SLAM) in combination with MEMS Inertial Measurement Units (IMU). When LiDAR fails and only IMU data are used to compute the state vector of the robot, errors accumulate. After a few seconds without LiDAR data, LiDAR-inertial SLAM systems can no longer register the scan after the outage to the already created map. This paper proposes a novel approach for fusing LiDAR, inertial, and wheel odometry in a factor graph for SLAM. A combined IMU and wheel odometry model is used as an initial guess for LiDAR scan matching and to bridge LiDAR outages. The algorithm is evaluated and tested for two different robot models. The results show that with the proposed IMU and wheel odometry model localization accuracy improves during LiDAR outages. After 30 seconds without LiDAR data, the LiDAR point clouds after the outage can still be matched to the previously created map.