NV-LIO: LiDAR-Inertial Odometry using Normal Vectors Towards Robust SLAM in Multifloor Environments

📄 arXiv: 2405.12563v2 📥 PDF

作者: Dongha Chung, Jinwhan Kim

分类: cs.RO

发布日期: 2024-05-21 (更新: 2024-05-26)

备注: Submitted to IEEE Robotics & Automation Letters

DOI: 10.1109/LRA.2024.3457373

🔗 代码/项目: GITHUB

💡 一句话要点

NV-LIO：利用法向量增强LiDAR惯性里程计在多层室内环境下的鲁棒SLAM

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

关键词: LiDAR惯性里程计 室内SLAM 法向量 点云配准 多层环境

📋 核心要点

  1. 现有LIO算法在开阔室外环境表现良好，但在复杂室内，尤其多层建筑中，由于LiDAR扫描快速变化和重复结构，点云配准面临挑战。
  2. NV-LIO的核心在于利用LiDAR点云的法向量进行更精确的对应关系搜索，并根据法向量分布动态调整匹配的不确定性，提升配准鲁棒性。
  3. 实验结果表明，该方法在室内多层环境下能够实现更准确和鲁棒的SLAM，并通过开源代码促进社区发展。

📝 摘要（中文）

本文提出了一种基于法向量的LiDAR惯性里程计框架NV-LIO，专为多层结构室内环境下的同步定位与地图构建（SLAM）设计。该方法从LiDAR扫描中提取法向量，并利用它们进行对应关系搜索，以提高点云配准性能。为了确保鲁棒的配准，分析了法向量方向的分布，并检查了退化情况以调整匹配的不确定性。此外，还实现了一个基于视点的回环检测模块，以避免被墙壁阻挡的错误对应关系。通过公共数据集和作者自建数据集验证了所提出的方法。代码将在https://github.com/dhchung/nv_lio上公开。

🔬 方法详解

问题定义：现有的LiDAR惯性里程计（LIO）算法在开阔的室外环境中表现良好，但在复杂的室内环境中，尤其是在多层建筑中，由于LiDAR扫描的快速变化以及墙壁、楼梯等重复结构的存在，点云配准变得困难。这些重复结构导致特征不明显，使得传统的基于特征的配准方法容易出错，从而影响SLAM的精度和鲁棒性。

核心思路：NV-LIO的核心思路是利用LiDAR点云的法向量信息来辅助点云配准。法向量能够提供点云表面的局部几何信息，对于区分相似的几何结构非常有效。通过分析法向量的分布，可以更好地理解场景的结构，并减少错误匹配的可能性。此外，该方法还考虑了视点遮挡问题，通过回环检测模块来避免被墙壁阻挡的错误对应关系。

技术框架：NV-LIO的整体框架包括以下几个主要模块：1) 法向量提取：从LiDAR扫描中提取每个点的法向量。2) 对应关系搜索：利用法向量信息进行对应关系搜索，找到不同帧之间的匹配点。3) 不确定性调整：分析法向量方向的分布，并根据退化情况调整匹配的不确定性。4) 运动估计：利用找到的对应关系和IMU数据进行运动估计。5) 回环检测：基于视点的回环检测模块，用于检测和纠正累积误差。

关键创新：NV-LIO的关键创新在于将法向量信息引入到LIO框架中，并将其用于对应关系搜索和不确定性调整。与传统的基于点或特征的LIO方法相比，NV-LIO能够更好地处理室内环境中的重复结构和快速变化，从而提高SLAM的精度和鲁棒性。此外，基于视点的回环检测模块也是一个重要的创新，它可以有效地避免被墙壁阻挡的错误对应关系。

关键设计：在法向量提取方面，论文可能采用了诸如PCA或邻域拟合等方法来估计每个点的法向量。在对应关系搜索方面，可能使用了KD-tree等数据结构来加速搜索过程。在不确定性调整方面，论文可能定义了一个损失函数，该函数考虑了法向量方向的分布和退化情况。回环检测模块可能使用了诸如BoW（Bag of Words）等技术来进行场景识别。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文通过在公共数据集和自建数据集上进行实验，验证了NV-LIO的有效性。虽然摘要中没有给出具体的性能数据，但可以推断，与现有的LIO算法相比，NV-LIO在室内多层环境下能够实现更高的定位精度和更低的漂移。此外，开源代码的发布将有助于其他研究者复现和改进该方法。

🎯 应用场景

NV-LIO在室内机器人导航、三维重建、以及智能楼宇等领域具有广泛的应用前景。例如，它可以用于室内清洁机器人、巡检机器人、以及室内地图绘制等任务。该研究的实际价值在于提高了室内SLAM的精度和鲁棒性，为室内机器人的自主导航和环境感知提供了更可靠的基础。未来，该技术有望应用于更复杂的室内环境，例如拥挤的商场和动态变化的办公场所。

📄 摘要（原文）

Over the last few decades, numerous LiDAR-inertial odometry (LIO) algorithms have been developed, demonstrating satisfactory performance across diverse environments. Most of these algorithms have predominantly been validated in open outdoor environments, however they often encounter challenges in confined indoor settings. In such indoor environments, reliable point cloud registration becomes problematic due to the rapid changes in LiDAR scans and repetitive structural features like walls and stairs, particularly in multifloor buildings. In this paper, we present NV-LIO, a normal vector based LIO framework, designed for simultaneous localization and mapping (SLAM) in indoor environments with multifloor structures. Our approach extracts the normal vectors from the LiDAR scans and utilizes them for correspondence search to enhance the point cloud registration performance. To ensure robust registration, the distribution of the normal vector directions is analyzed, and situations of degeneracy are examined to adjust the matching uncertainty. Additionally, a viewpoint based loop closure module is implemented to avoid wrong correspondences that are blocked by the walls. The propsed method is validated through public datasets and our own dataset. To contribute to the community, the code will be made public on https://github.com/dhchung/nv_lio.