LVI_SAM在M2DGR_Plus数据集中LIO、VINS系统的消融实验（add lio-sam、a-loam、lego-loam、ground-fusion）

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 (add a-loam、lego-loam、lio-sam、ground-fusion(引用), 2024.6.24) :

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-SAM	0.045775	0.263453	2.264965	1.223112	2.90975	2.810427	2.841433	3.888655	0.087718	2.876445	1.166187
LVI-SAM(lio)	0.123578	0.933518	0.555494	7.117332	48.747167	0.762624	1.015125	0.071355	0.15055	0.322604	1.127767
LVI-SAM(vins)	0.085697	63.909136	115.551285	32.1932	11.959241	4.068896	11.844415	0.252395	0.17909	4.216209	115.922002
A-LOAM	0.000003	0.716655	0.287238	5.346851	1.479372	0.315624	0.098082	0.052997	0.054650	0.493541	0.280443
Lego-LOAM	0.071875	0.252586	0.171211	5.484799	0.242312	0.223231	0.107517	0.065221	0.050669	1.209986	0.356766
LIO-SAM	0.019343	0.543069	0.296906	5.820857	0.596719	0.285029	0.099945	0.052105	0.030486	0.294900	0.225117
Ground-Fusion	0.07	1.32	0.55	0.4900	2.37	0.47	0.23	0.48	0.19	0.60	0.29
LINS	0.205084	0.451568	0.206693	6.850111	0.319686	0.190599	0.105865	0.052115	0.038441	0.280343	0.193016
vins-momo	0.046793	2.221312	1.452006	1.647070	0.831638	0.657320	0.835362	0.090541	0.143476	0.553966	0.491428
r2live	0.029330	14.233346	85.554469	51.272362	2005.775042	18.986106	196.459853	0.194042	0.979761	100.746005	94.475773
r3live	0.382855	213.789042	97.264547	122.079986	18.863453	23.959978	4.119473	0.089740	0.486811	1.946517	1.932704
sr-livo	4.225939	died	失效	失效	died	died	died	died	died	died	died
fast-livo	0.219798	7.354147	32.086853	226.739145	2096.515866	1.149619	5.633189	1.061083	0.776342	2.478821	2.067977
wheel	0.762785	4.950760	2.866626	0.822130	28.673131	0.263541	0.973919	0.238101	0.263189	1.606523	0.971409
gnss	无	0.647478	0.576361	70.724706	1.982385	0.217134	0.314700	0.154157	0.083441	104.974707	62.966726

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。

分析

A-loam：纯激光雷达框架；通过提取角点和面点，进行点到线和点到面的配准。
lego-loam：纯激光雷达框架；前端加入聚类分离地面点和非地面点，配准方法相同。
Lio-sam：imu、激光雷达融合框架；imu预积分矫正激光点位姿，添加激光里程计因子、GPS因子、闭环因子，执行因子图优化。
LINS：imu、激光雷达融合框架；前端使用迭代误差卡尔曼滤波紧耦合框架。
Vins-momo：imu、视觉融合框架；视觉sfm辅助imu初始化，后端滑窗图优化，最后Dbow回环和全局优化。
Lvi-sam：lio-sam和vins-momo的耦合系统；视觉帮助激光初始化，激光为视觉提供深度。
R2live：imu、激光雷达、视觉系统，Fast-lio和vins-momo的融合；采用误差状态迭代卡尔曼滤波融合框架，后端为另一个线程基于VINS-Mono的滑窗修改，只是加入了LiDAR的位姿。
R3live：imu、激光雷达、视觉系统，与R2live相似；vio系统加入rgb值的光度误差优化估计。
Fast-livo：imu、激光雷达、视觉系统；利用迭代误差卡尔曼滤波将激光雷达点面残差和图像光度误差与IMU传播紧密融合。
sr-livo：imu、激光雷达、视觉系统，与R3live相似；迭代误差卡尔曼滤波融合框架。
ground-fusion：imu、视觉、轮速计、gnss系统；滑窗图优化。

结合数据集

anomaly：轮速计失效的封闭室内场景。gnss失效，纯激光aloam效果最好。

融合系统中，以因子图为框架的lio-sam、ground-fusion、vins-momo、lvisam
好于 迭代误差卡尔曼滤波lins、r3live、fast-livo。
在因子图框架中，lio-sam>lvi-sam>vins-momo>ground-fusion

switch：室内外更换场景。视觉和轮速计均漂移，激光有效。

激光系统中：
legoloam>lvi-sam>lins(IEKF)>lio-sam>ground-fusion>gnss

tree：室外长树荫进出场景。视觉和轮速计漂移，激光有效，gnss有效。

纯视觉和基于IEKF融合的视觉系统漂移均很大。lvisam失效。
对于激光雷达系统：
legoloam>lins(IEKF)>aloam>lio-sam>gnss

bridge1：室外空旷复杂轨迹。激光退化场景；室外视觉效果不好

视觉、gnss、激光雷达均失效。
wheel有效。
ground-fusion>gnss

bridge2：室外长时间直线轨迹。

轮速计、gnss漂移，lio、vio系统有效。
legoloam>lins(IEKF)>lio-sam>vins-momo

street1：室外直线街道。

gnss、轮速计漂移，激光有效。视觉漂移。
lins(IEKF)>gnss>legoloam>wheel>lio-sam>aloam>ground-fusion

street2：急转弯场景。

视觉、wheel失效。
aloam>lio-sam>lins(IEKF)>legoloam>groundfusion>gnss

parking1：多障碍物环境，室外停车场，侧移轨迹。

轮速计影响精度下降，视觉激光效果好。
但激光>视觉。
lio-sam>lins(IEKF)>aloam>legoloam>vins-momo

parking2：多障碍物环境，室外停车场，长方形环线轨迹。

激光效果好，视觉轮速计精度下降。
基于IEKF的livo紧耦合框架视觉拖累激光。
lio-sam>lins(IEKF)>legoloam>aloam>vins-momo>gnss>lvi-sam

building1：远景

gnss、轮速计失效，激光雷达有效。视觉有效，但融合后算法无效，推测大规模室外场景，融合算法外参影响里程计严重。
lins(IEKF)>lio-sam>aloam>vins-momo>ground-fusion

building2：远景

gnss、轮速计失效，激光雷达有效，视觉有效。
lins(IEKF)>lio-sam>aloam>ground-fusion>legoloam>vins-momo

end

上述各场景，室外大场景紧耦合的融合框架对外参要求严格。除去激光雷达和视觉都失效的空旷之字形轨迹场景，此次测试中lidar-imu的方案Lins和lio-sam表现最佳。在封闭室内场景中，lio-sam表现出更好的稳定性。