SE-LIO: Semantics-enhanced Solid-State-LiDAR-Inertial Odometry for Tree-rich Environments

📄 arXiv: 2312.01809v1 📥 PDF

作者: Tisheng Zhang, Linfu Wei, Hailiang Tang, Liqiang Wang, Man Yuan, Xiaoji Niu

分类: cs.RO

发布日期: 2023-12-04

💡 一句话要点

提出语义增强的固态激光雷达惯性里程计，用于树木丰富的环境

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 激光雷达惯性里程计 语义分割 点云处理 圆柱拟合 环境感知 机器人定位 树木环境

📋 核心要点

  1. 现有LIO方法在树木丰富的环境中，易受非结构化点云（如树叶）和弯曲树干的影响，导致定位精度下降。
  2. SE-LIO通过语义分割去除噪声点云，并将树干建模为圆柱体，利用自适应分段圆柱拟合处理弯曲树干，提升定位精度。
  3. 实验结果表明，SE-LIO在复杂的校园和公园环境中表现出色，定位精度相比于基于平面的LIO提升了43.1%。

📝 摘要（中文）

本文提出了一种语义增强的固态激光雷达惯性里程计(SE-LIO)，专门针对树木丰富的环境。首先，融合多个激光雷达帧，并使用惯性导航系统(INS)进行补偿，以增加点云覆盖率，从而提高语义分割的准确性。然后，利用语义信息去除诸如树叶和动态物体等非结构化点云。此外，将杆状点云（主要是树干）建模为圆柱体，以提高定位精度。提出了一种自适应的分段圆柱拟合方法，以适应弯曲树干普遍存在的环境。最后，采用迭代误差状态卡尔曼滤波器(IESKF)进行状态估计。点到圆柱和点到平面约束与INS提供的先验约束紧密耦合，以获得最大后验估计。在复杂的校园和公园环境中进行了有针对性的实验，以评估SE-LIO的性能。所提出的方法，包括去除非结构化点云和自适应圆柱拟合，提高了精度。具体而言，与基于平面的LIO相比，所提出的SE-LIO的定位精度提高了43.1%。

🔬 方法详解

问题定义：在树木丰富的环境中，传统的激光雷达惯性里程计（LIO）容易受到树叶等非结构化点云的干扰，以及弯曲树干的影响，导致特征提取不准确，定位精度下降。现有的基于平面的LIO方法难以有效利用树干等杆状结构的信息。

核心思路：利用语义分割技术区分并去除环境中的非结构化点云，例如树叶和动态物体，从而减少噪声干扰。将树干等杆状结构建模为圆柱体，并设计自适应的分段圆柱拟合方法，以适应弯曲的树干，从而更准确地提取环境特征。

技术框架：SE-LIO的整体框架包括以下几个主要阶段：1) 多帧激光雷达数据融合与惯性导航系统（INS）补偿，以增加点云覆盖率；2) 语义分割，用于区分环境中的不同物体；3) 非结构化点云去除，利用语义信息过滤掉树叶等噪声；4) 自适应圆柱拟合，将树干建模为圆柱体；5) 迭代误差状态卡尔曼滤波器（IESKF）进行状态估计，融合点到圆柱和点到平面约束以及INS先验信息。

关键创新：该论文的关键创新在于：1) 提出了一种语义增强的LIO框架，有效利用了语义信息来提高定位精度；2) 设计了一种自适应的分段圆柱拟合方法，能够处理弯曲的树干，提高了在树木丰富环境中的鲁棒性；3) 将点到圆柱约束与点到平面约束以及INS先验信息紧密耦合，实现了更精确的状态估计。

关键设计：自适应分段圆柱拟合方法是关键设计之一，它根据树干的曲率自适应地调整圆柱的长度，从而更好地拟合弯曲的树干。IESKF中，点到圆柱的距离作为观测值，与点到平面的距离以及INS的先验信息融合，以获得最优的状态估计。具体的参数设置和损失函数细节在论文中未明确给出，属于未知信息。

📊 实验亮点

实验结果表明，所提出的SE-LIO在复杂的校园和公园环境中表现出色，定位精度相比于基于平面的LIO提升了43.1%。这主要归功于语义信息的有效利用和自适应圆柱拟合方法的应用，能够有效去除噪声点云并准确提取环境特征。

🎯 应用场景

该研究成果可应用于林业勘测、自动驾驶、机器人导航等领域，尤其是在需要高精度定位的树木丰富的环境中。例如，可以用于森林资源调查、果园机器人导航、以及在公园等场景中的自主移动机器人定位。该方法能够提高定位精度和鲁棒性，为相关应用提供更可靠的技术支持。

📄 摘要（原文）

In this letter, we propose a semantics-enhanced solid-state-LiDAR-inertial odometry (SE-LIO) in tree-rich environments. Multiple LiDAR frames are first merged and compensated with the inertial navigation system (INS) to increase the point-cloud coverage, thus improving the accuracy of semantic segmentation. The unstructured point clouds, such as tree leaves and dynamic objects, are then removed with the semantic information. Furthermore, the pole-like point clouds, primarily tree trunks, are modeled as cylinders to improve positioning accuracy. An adaptive piecewise cylinder-fitting method is proposed to accommodate environments with a high prevalence of curved tree trunks. Finally, the iterated error-state Kalman filter (IESKF) is employed for state estimation. Point-to-cylinder and point-to-plane constraints are tightly coupled with the prior constraints provided by the INS to obtain the maximum a posteriori estimation. Targeted experiments are conducted in complex campus and park environments to evaluate the performance of SE-LIO. The proposed methods, including removing the unstructured point clouds and the adaptive cylinder fitting, yield improved accuracy. Specifically, the positioning accuracy of the proposed SE-LIO is improved by 43.1% compared to the plane-based LIO.