MSC-LIO: An MSCKF-Based LiDAR-Inertial Odometry with Same-Plane Cluster Tracking

📄 arXiv: 2407.07589v4 📥 PDF

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

分类: cs.RO

发布日期: 2024-07-10 (更新: 2025-05-30)

备注: 11 pages, 12 figures, 8 tables

期刊: IEEE/ASME Transactions on Mechatronics,2025

DOI: 10.1109/TMECH.2025.3574307

💡 一句话要点

提出基于MSCKF的激光雷达惯性里程计MSC-LIO，通过同平面聚类跟踪提升效率。

🎯 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 MSCKF 同平面聚类跟踪 数据关联 时间延迟估计

📋 核心要点

  1. 现有基于视觉的MSCKF里程计效率高但激光雷达领域研究不足，面临数据关联和时间延迟估计的挑战。
  2. 提出MSC-LIO，利用激光雷达同平面聚类跟踪构建多状态约束，并提出基于点速度的激光雷达-IMU时间延迟估计方法。
  3. 实验表明，MSC-LIO在精度和效率上优于现有方法，数据关联效率提升近3倍，并在边缘设备上实现实时性能。

📝 摘要（中文）

本文提出了一种基于多状态约束卡尔曼滤波(MSCKF)框架的紧耦合激光雷达惯性里程计，命名为MSC-LIO。该方法采用一种高效的激光雷达同平面聚类(LSPC)跟踪方法，无需显式特征提取，即可实现帧间数据关联。跟踪到的LSPC用于构建LSPC测量模型，从而构建多状态约束。此外，本文还提出了一种有效的基于点速度的激光雷达-IMU时间延迟(LITD)估计方法，该方法源于所提出的LSPC跟踪方法。为了验证该方法的有效性和鲁棒性，我们在公共数据集和真实环境中进行了大量实验。结果表明，与最先进的方法相比，所提出的MSC-LIO具有更高的精度和效率。消融实验表明，LSPC跟踪将数据关联效率提高了近3倍，并且所提出的LITD估计方法可以有效且准确地估计LITD。此外，MSC-LIO已在边缘设备上实现，并展示出出色的实时性能。

🔬 方法详解

问题定义：现有基于激光雷达的里程计方法，尤其是在MSCKF框架下，面临着特征提取复杂、数据关联效率低以及激光雷达和IMU之间时间延迟难以准确估计的问题。这些问题限制了激光雷达里程计的精度和实时性。

核心思路：本文的核心思路是利用激光雷达扫描点云中的同平面聚类(LSPC)进行跟踪，避免了复杂的特征提取过程，从而提高数据关联的效率。同时，通过分析LSPC中点的速度信息，提出了一种新的激光雷达-IMU时间延迟(LITD)估计方法。

技术框架：MSC-LIO的整体框架基于MSCKF。主要包含以下模块：1) 激光雷达数据预处理，包括点云滤波和分割；2) LSPC跟踪，用于建立帧间数据关联；3) LSPC测量模型构建，将LSPC跟踪结果转化为MSCKF的测量；4) 基于点速度的LITD估计；5) MSCKF状态估计和更新。

关键创新：该方法最重要的创新点在于提出了LSPC跟踪方法，该方法无需显式特征提取，直接利用点云的几何结构进行数据关联，显著提高了数据关联的效率。此外，提出的基于点速度的LITD估计方法，能够更准确地估计激光雷达和IMU之间的时间延迟，从而提高里程计的精度。与现有方法相比，MSC-LIO在数据关联和时间延迟估计方面具有显著优势。

关键设计：LSPC跟踪的关键设计在于如何高效地找到并跟踪同平面聚类。具体实现可能包括：1) 使用RANSAC或其他平面拟合算法从点云中提取平面；2) 使用KD-tree或其他空间索引结构加速最近邻搜索；3) 使用卡尔曼滤波或其他跟踪算法对LSPC进行跟踪。LITD估计的关键设计在于如何从点速度信息中提取时间延迟。具体实现可能包括：1) 计算LSPC中每个点的速度；2) 建立点速度与时间延迟之间的关系模型；3) 使用优化算法估计时间延迟。

📊 实验亮点

实验结果表明，MSC-LIO在精度和效率上均优于现有方法。在公开数据集和真实环境中的实验结果显示，MSC-LIO的定位精度显著提升。消融实验表明，LSPC跟踪将数据关联效率提高了近3倍，并且提出的LITD估计方法能够有效且准确地估计LITD。此外，MSC-LIO已在边缘设备上实现，并展示出出色的实时性能。

🎯 应用场景

MSC-LIO可广泛应用于机器人导航、自动驾驶、三维地图重建等领域。其高精度和高效率使其特别适用于资源受限的移动平台和需要实时定位的场景。该研究成果有助于提升机器人在复杂环境中的自主导航能力，并为构建更精确的三维环境地图提供技术支持。

📄 摘要（原文）

The multi-state constraint Kalman filter (MSCKF) has been proven to be more efficient than graph optimization for visual-based odometry while with similar accuracy. However, it has not been adequately considered and studied for LiDAR-based odometry. In this paper, we propose a novel tightly-coupled LiDAR-inertial odometry based on the MSCKF framework, named MSC-LIO. An efficient LiDAR same-plane cluster (LSPC) tracking method, without explicit feature extraction, is present for frame-to-frame data associations. The tracked LSPC is used to build an LSPC measurement model that constructs multi-state constraints. Besides, we propose an effective point-velocity-based LiDAR-IMU time-delay (LITD) estimation method, which is derived from the proposed LSPC tracking method. To validate the effectiveness and robustness of the proposed method, we conducted extensive experiments on both public datasets and real-world environments. The results demonstrate that the proposed MSC-LIO yields higher accuracy and efficiency compared to the state-of-the-art methods. Ablation experiments indicate that the data-association efficiency is improved by nearly 3 times with the LSPC tracking, and the proposed LITD estimation method can effectively and accurately estimate the LITD. Besides, MSC-LIO was implemented on an edge device and demonstrated excellent real-time performance.