LVI_SAM在M2DGR_Plus数据集中LIO、VINS系统的消融实验

LVI_SAM对VIS、LIS两个子系统进行紧耦合，本文利用M2DGR_Plus数据集，对LVI_SAM和其中的LIO、VINS子系统进行了评估。
其中_vins: VIS子系统单独运行；_lio: LIS子系统单独运行；_py：LVI系统运行。vins子系统在前面几帧位姿读取存在丢失。

一、Tree（Dense tree leave cover）

VIS子系统单独运行完全失败。lio和lvi系统差别较小。建图效果 LIO 约等于 LVI > VINS

二、Switch（indoor-outdoor switch）

VIS子系统单独运行完全失败。lio和lvi系统差别较小。建图效果 LIO 约等于 LVI > VINS 。

三、Anomaly（wheel anomaly）

均可建图，三个系统观察差别较小。

四、Bridge_01（Bridge, Zigzag）

三个系统均失败。

五、Bridge_02（Bridge, Long-term,Straight line）

视觉上VINS 约等于 LVI差不多，LIO漂移大。

六、Street_01（Street, Straight line ）

LIO效果略好于LVI，VINS效果最差。

七、Street_02（Bridge, Sharp turn）

明显LIO > LVI > VINS 。

八、Parking_01（Parking lot, Side moving）

明显LIO 效果最好。

九、Parking_02（Parking lot, Rectangle loop）

LIO 和 LVI 效果差不多。

十、Building_01（Building, Far features）

LIO 效果最好。

十一、Building_02（Building, Far features ）

VINS完全漂移，LIO和LVI效果都不佳。

十二、总结

ATE RMSE(m) of LVI、LIO、VINS from LVI_SAM:

方法/序列	Anomaly（轮速计失效）	Switch（室内外更换）	Tree（多树遮挡）	Bridge_01（之字形轨迹）	Bridge_02（长时直线轨迹）	Street_01（直线街道）	Street_02（急转弯）	Parking_01（停车场、侧移）	Parking_02（停车场、长方形环线）	Building_01（远景）	Building_02（远景）
LVI	0.045775	0.263453	2.264965	1.223112	2.90975	2.810427	2.841433	3.888655	0.087718	2.876445	1.166187
LIO	0.123578	0.933518	0.555494	7.117332	48.747167	0.762624	1.015125	0.071355	0.15055	0.322604	1.127767
VINS	0.085697	63.909136	115.551285	32.1932	11.959241	4.068896	11.844415	0.252395	0.17909	4.216209	115.922002

在M2DGR-P中，LVI_SAM在轮速计失效、室内外更换、之字形轨迹、长时直线轨迹、停车场、长方形环线五个场景序列表现由于LIO子系统。
但是在多树遮挡、直线街道、急转弯、停车场侧移、远景场景下，VINS的加入似乎反倒降低了原LIO系统的精度。初步分析这几种场景有一个相似的共同点，多为复杂不规则场景或空旷场地，视觉特征点判别较为困难，拉低了LIO精度。而在室内、桥等场景几何规则图形较多，视觉特征提取较为准确，能提高LIO系统精度。