Point-LIO：鲁棒高带宽激光雷达惯性里程计

作者 | 流川峰  编辑 | 深蓝学院

点击下方卡片，关注“自动驾驶之心”公众号

ADAS巨卷干货，即可获取

点击进入→自动驾驶之心【SLAM】技术交流群

本文介绍了一种新型的LiDAR+惯性导航系统，称为Point-LIO。该系统利用点云数据进行环境建模和高精度运动估计，结合了LiDAR和IMU的优点，能够在高速运动和极端环境下实现稳健的定位和建图。

算法的关键是引入了一种基于时序约束的特征提取和匹配方法，该方法利用IMU数据估计出的运动信息对点云进行滤波和聚类，从而提高数据的有效性和计算效率。Point-LIO在精度和时间消耗方面一直表现出好的一致性，表明Point-LIO的计算效率高，鲁棒性好，通用性强。

最后，本文展示了Point-LIO的两个示例应用，一个是面临高角速度（59rad s−1）的竞速四旋翼无人机，另一个是面临高角速度（25rad s−1）的自旋转无人机。

代码在Github上开源：https://github.com/hku-mars /Point-LIO.git

论文地址：https://www.researchgate.net/publication/369891453_Point-LIO_Robust_High-Bandwidth_Light_Detection_and_Ranging_Inertial_Odometry

Point-LIO的两个关键特点是实现高带宽LiDAR惯性里程计（LIO）和一个随机过程增量的运动学模型。第一个特点是点对点的LIO框架，即在每个LiDAR点测量时更新状态，而不是将它们积累到帧中。

这种点对点的更新允许极高频率的里程计输出，显着增加了里程计带宽，并从根本上消除了激进运动中帧内假运动畸变。第二个关键特点是一个随机过程增量的运动学模型，该模型将IMU测量建模为输出，而不是现有滤波器式里程计或SLAM系统中的输入。新的建模方法使得在激进运动中即使IMU测量饱和也能实现精确的定位和可靠的建图。

Point-LIO使用增量k-d tree（ikd-Tree）组织地图和紧密耦合的流形卡尔曼滤波器进行状态估计，在此基础上，Point-LIO具有两个关键特点，实现高带宽LiDAR惯性里程计（LIO）。

本文在实际的室内和室外环境下进行了各种实验，评估了不同的固态LiDAR，结果表明Point-LIO能够在严重的振动和激进运动下提供准确、高频率的里程和可靠的地图，即使在IMU测量范围之外也能保持高角速度（75 rad s−1）。本文还在多线旋转LiDAR上进行了实验，结果表明Point-LIO能够在高速运动和极端环境下实现稳健的定位和建图。

图1：Point-LIO的系统概述

如图1所示。连续采样的LiDAR点和IMU数据都用于在各自的时间戳更新状态，从而获得极高速率的里程计输出，即在实际中为4-8 kHz。特别是，对于接收到的每个LiDAR点，从地图中搜索相应的平面。如果点与地图中的点拟合的平面相匹配，则使用流形卡尔曼滤波器计算残差以更新系统状态。

优化后的姿态最终将LiDAR点注册到全局帧并合并到地图中，然后进行下一次测量(LiDAR点或IMU数据)。否则，如果点没有匹配平面，则由卡尔曼滤波预测姿态直接添加到地图中。

为了实现快速平面对应搜索，同时允许新的注册点，我们使用了最初在fast - lio2中开发的增量k-d树结构ikd-Tree。每次IMU测量时，IMU各通道的饱和度检查是分开进行的，有饱和值的通道不用于状态更新。

在本节中，我们评估了我们开发的系统在三个方面的性能：

1）消除运动畸变

2）具有高速率和高带宽的里程计

3）具有饱和IMU测量的状态估计。

提出的Point-LIO系统是基于C++和机器人操作系统（ROS）实现的。扩展卡尔曼滤波器是基于我们以前的工作开发的IKFoM工具箱实现的。

我们使用快速LIO2中开发的增量kd树ikd-Tree作为我们的映射结构，其默认参数为：本地地图大小2000 m，空间下采样分辨率0.25 m，ikd-Tree的重新平衡阈值为bal=0.6， del=0.5，用于平行重建子树的子树大小阈值为1500。虽然我们的系统设计为在每个LiDAR点接收后执行状态估计，但实际上受到LiDAR制造商提供的驱动程序的限制，LiDAR点在累积完整个扫描后才会被打包发送到LIO系统。

为适应这种实际限制，Point-LIO将所有包含在接收包中的LiDAR点和IMU数据按其各自的时间戳进行排序。然后，按顺序处理经过排序的数据。在所有评估中，我们将Point-LIO与最先进的基于帧的里程计FAST-LIO进行比较。FAST-LIO2的所有实验结果都使用默认参数值的公共版本FAST-LIO2收集。

由于FAST-LIO2对每个接收的LiDAR扫描进行0.1 s的处理，因此我们将Point-LIO的处理时间限制为0.1 s。在所有实验中，Point-LIO都表现出比FAST-LIO2更好的性能，特别是在高速运动和极端环境下。

图2 评估的实验平台

本文还介绍了Point-LIO的两个示例应用。第一个应用是面临高角速度（59rad s−1）的竞速四旋翼无人机。实验结果表明，Point-LIO能够在高速运动和极端环境下提供准确、高频率的里程和可靠的地图。第二个应用是面临高角速度（25rad s−1）的自旋转无人机。实验结果表明，Point-LIO能够在复杂环境下进行可靠的定位和建图。

总之，本文介绍了一种新型LiDAR+惯性导航系统—Point-LIO。实验结果表明，Point-LIO具有较强的鲁棒性和高精度性能，并能够在复杂环境下进行可靠的定位和建图。这种技术有望应用于机器人技术、自主导航、交通运输等领域，为未来的机器人技术和应用提供了指引和参考。

视频课程来了！

自动驾驶之心为大家汇集了毫米波雷达视觉融合、高精地图、BEV感知、传感器标定、传感器部署、自动驾驶协同感知、语义分割、自动驾驶仿真、L4感知、决策规划、轨迹预测等多个方向学习视频，欢迎大家自取（扫码进入学习）

（扫码学习最新视频）

国内首个自动驾驶学习社区

近1000人的交流社区，和20+自动驾驶技术栈学习路线，想要了解更多自动驾驶感知（分类、检测、分割、关键点、车道线、3D目标检测、Occpuancy、多传感器融合、目标跟踪、光流估计、轨迹预测）、自动驾驶定位建图（SLAM、高精地图）、自动驾驶规划控制、领域技术方案、AI模型部署落地实战、行业动态、岗位发布，欢迎扫描下方二维码，加入自动驾驶之心知识星球，这是一个真正有干货的地方，与领域大佬交流入门、学习、工作、跳槽上的各类难题，日常分享论文+代码+视频，期待交流！

【自动驾驶之心】全栈技术交流群

自动驾驶之心是首个自动驾驶开发者社区，聚焦目标检测、语义分割、全景分割、实例分割、关键点检测、车道线、目标跟踪、3D目标检测、BEV感知、多传感器融合、SLAM、光流估计、深度估计、轨迹预测、高精地图、NeRF、规划控制、模型部署落地、自动驾驶仿真测试、产品经理、硬件配置、AI求职交流等方向；

添加汽车人助理微信邀请入群

备注：学校/公司+方向+昵称