Motivation
監測鐵路安全運營需要精確的軌道車輛定位和長期的鐵路環境。國內現行鐵道系統的定位策略仍以軌旁系統為主，不僅實時性和準確率都差，而且需要大量的前期投資和后續維護。雖然已經有基于GNSS和odometry的研究，但是這類方法缺失了對于環境的感知信息，并且會受到GNSS環境的限制。所以加入諸如雷達和相機的感知進行輔助融合是一個可行的方向，但是在鐵路系統加入lidar和相機存在幾個問題：
一是運動長時間受到約束，軌道車輛被限制沿平面軌跡移動，導致 IMU存在非觀測方向的虛假信息增益。這種問題會導致許多VIO的大規模漂移。
二是鐵路系統信息重復，主要可觀察的特征是重復的鐵軌和懸架夾具，這對于基于特征跟蹤的方法具有挑戰性。
三是鐵路系統基本無回環，現有的SLAM 通常使用地標描述符來檢測重訪問的地點，并在檢測到的循環上糾正累積的漂移。鐵路系統沒有回環，所以需要更加低漂移的位姿估計。
Contribution
這篇文章提出了一個框架，基于滑窗因子圖將 LiDAR、IMU、軌道車輛車輪里程計、相機和 GNSS 緊密融合。實驗結果表明，融合后的系統對于大規模鐵路環境定位足夠準確，并且對鐵路上的長時間倒退具有魯棒性。
充分利用傳感器測量的幾何信息，利用提取的鐵軌和消失點的平面約束來提高系統精度和魯棒性。實驗證明這些特征有效地限制了具有重復結構的區域的高度和旋轉誤差。
實驗中所使用的數據集時長跨度一年多，涵蓋各種規模、天氣和鐵路狀況。