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。