LiDAR-Inertial Odometry in Dynamic Driving Scenarios using Label Consistency Detection

📄 arXiv: 2407.03590v2 📥 PDF

作者: Zikang Yuan, Xiaoxiang Wang, Jingying Wu, Junda Cheng, Xin Yang

分类: cs.RO

发布日期: 2024-07-04 (更新: 2024-09-20)

备注: 14 pages, submitted to TPAMI

💡 一句话要点

提出一种基于标签一致性检测的动态场景LiDAR惯性里程计，消除移动物体的影响。

🎯 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 动态环境 移动物体检测 标签一致性 地面分割

📋 核心要点

  1. 现有LIO方法在动态环境中受移动物体影响，导致定位精度下降，鲁棒性不足。
  2. 该方法通过为点云分配地面/非地面标签，并利用标签一致性检测识别并剔除移动物体点。
  3. 实验表明，该方法计算开销极低（1-9ms/sweep），并在动态和静态场景中均实现了最先进的定位精度。

📝 摘要（中文）

本文提出了一种LiDAR惯性里程计(LIO)方法，旨在消除动态驾驶场景中移动物体的影响。该方法为当前扫描帧的3D点构建二值化标签，并利用每个点与其周围地图点之间的标签差异来识别移动物体。首先，使用地面分割为当前扫描帧中的每个3D点分配二值化标签，即地面和非地面。在实际驾驶场景中，动态物体通常位于地面上。对于从移动物体扫描的大多数点，它们无法与空间中的任何现有结构重合。对于少数靠近地面的移动物体点，它们的标签与周围地面点存在差异。因此，由于缺乏最近邻或与周围地面点的标签不一致，移动物体上的点被识别出来。通过基于体素位置的最近邻搜索来定位全局地图中的最近邻，并通过比较标签一致性与最近邻来评估一致性，无需进行大规模计算。最后，移除移动物体上的点。所提出的方法被嵌入到一个自研的LIO系统(即Dynamic-LIO)中，使用六个公共数据集进行评估，并在动态和静态环境中进行测试。实验结果表明，我们的方法可以以极低的计算开销(即1-9ms/sweep)识别移动物体，并且我们的Dynamic-LIO可以在静态和动态场景中实现最先进的姿态估计精度。我们已经发布了这项工作的源代码，以促进社区的发展。

🔬 方法详解

问题定义：在动态驾驶场景中，移动物体（如车辆、行人）的存在会严重干扰LiDAR惯性里程计（LIO）的定位精度。现有方法难以有效区分静态环境和动态物体，导致特征提取和匹配出现偏差，从而降低定位的准确性和鲁棒性。

核心思路：该论文的核心思路是利用点云的标签一致性来区分静态环境和动态物体。具体来说，假设动态物体上的点与其周围的静态环境点在标签上存在差异（例如，动态物体上的点可能是“非地面”标签，而周围的地面点是“地面”标签），通过检测这种标签不一致性，可以有效地识别并剔除动态物体上的点。

技术框架：该方法嵌入到一个自研的LIO系统（Dynamic-LIO）中，主要包含以下几个阶段：1) 地面分割：使用地面分割算法为当前扫描帧的每个3D点分配二值化标签（地面/非地面）。2) 最近邻搜索：通过基于体素位置的最近邻搜索，在全局地图中找到每个点的最近邻点。3) 标签一致性评估：比较每个点与其最近邻点的标签一致性。如果标签不一致，则认为该点位于移动物体上。4) 移动物体剔除：移除被识别为移动物体的点。5) LIO优化：使用剩余的静态环境点进行LIO优化，估计车辆的姿态。

关键创新：该方法最重要的技术创新点在于利用标签一致性检测来识别移动物体。与传统的基于运动分割的方法相比，该方法无需进行复杂的运动估计，计算开销极低。此外，该方法充分利用了地面分割的结果，提高了移动物体识别的准确性。

关键设计：该方法使用基于体素位置的最近邻搜索来提高搜索效率。标签一致性的评估采用简单的比较操作，计算开销极低。地面分割算法的选择对最终结果有一定影响，可以选择鲁棒性较好的地面分割算法。没有提及具体的损失函数或网络结构，因为该方法主要依赖于几何和标签信息。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该方法能够以极低的计算开销（1-9ms/sweep）识别移动物体，并且Dynamic-LIO在多个公共数据集上实现了最先进的姿态估计精度。在动态场景和静态场景中均表现出色，验证了该方法的有效性和通用性。

🎯 应用场景

该研究成果可应用于自动驾驶、机器人导航、三维地图重建等领域。通过消除动态物体的影响，可以提高定位精度和鲁棒性，从而提升自动驾驶系统的安全性和可靠性。此外，该方法还可以用于构建更加准确和稳定的三维地图。

📄 摘要（原文）

In this paper, a LiDAR-inertial odometry (LIO) method that eliminates the influence of moving objects in dynamic driving scenarios is proposed. This method constructs binarized labels for 3D points of current sweep, and utilizes the label difference between each point and its surrounding points in map to identify moving objects. Firstly, the binarized labels, i.e., ground and non-ground are assigned to each 3D point in current sweep using ground segmentation. In actual driving scenarios, dynamic objects are always located on the ground. For most points scanned from moving objects, they cannot coincide with any existing structures in space. For a minority of moving objects' points that are close to the ground, their labels exhibit differences with surrounding ground points. Thus, the points on moving objects are identified due to lacking of nearest neighbors in map or inconsistency with the labels of surround ground points. The nearest neighbors from global map are localized by voxel-location-based nearest neighbor search and the consistency is evaluated by comparing the label consistency with nearest neighbors, without involving any massive computations. Finally, the points on moving objects are removed. The proposed method is embeded into a self-developed LIO system (i.e., Dynamic-LIO), evaluated with six public datasets, and tested in both dynamic and static environments. Experimental results demonstrate that our method can identify moving objects with extremlely low computational overhead (i.e., 1-9ms/sweep), and our Dynamic-LIO can achieve state-of-the-art pose estimation accuracy in both static and dynamic scenarios. We have released the source code of this work for the development of the community.