A flexible framework for accurate LiDAR odometry, map manipulation, and localization

📄 arXiv: 2407.20465v3 📥 PDF

作者: José Luis Blanco-Claraco

分类: cs.RO

发布日期: 2024-07-29 (更新: 2025-08-15)

备注: 44 pages, 35 figures

期刊: The International Journal of Robotics Research. 2025;44(9):1553-1599

DOI: 10.1177/02783649251316881

🔗 代码/项目: GITHUB

💡 一句话要点

提出基于视图地图的灵活LiDAR SLAM框架，提升鲁棒性和易用性

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: LiDAR SLAM 三维重建 位姿图优化 迭代最近点 自动驾驶

📋 核心要点

  1. 现有LiDAR SLAM系统在灵活性和鲁棒性方面存在挑战，难以适应不同场景和传感器配置。
  2. 论文提出基于视图地图的SLAM框架，通过可重用模块网络实现灵活的地图构建和优化。
  3. 实验表明，该框架在多种数据集上表现出色，无需IMU即可实现对激进运动的鲁棒性。

📝 摘要（中文）

基于LiDAR的SLAM是自动驾驶车辆和机器人的核心技术。本文对3D LiDAR SLAM和定位的一个关键贡献是，强烈主张使用基于视图的地图（带有时间戳传感器读数的位置图）作为地图的基本表示。正如将要展示的，它们允许最大的灵活性，能够后验生成针对特定任务优化的任意度量地图，例如避障、实时定位。此外，这项工作引入了一个新的框架，其中可以在没有编码的情况下定义映射管道，定义可重用块网络的连接，就像通过连接标准化元素的层来设计深度学习网络一样。我们还在迭代最近点（ICP）类优化器中引入了线性和角速度向量的紧耦合估计，从而提高了对激进运动剖面的鲁棒性，而无需IMU。广泛的实验验证表明，该方案与以前最先进（SOTA）的LiDAR里程计系统相比，性能良好或有所提高，同时还成功地映射了一些其他系统发散的困难序列。所提出的自适应配置已用于所有具有16到128个环的传感器3D LiDAR数据集，并且已在超过250公里的汽车、手持、机载和四足LiDAR数据集的83个序列上进行了广泛测试，包括室内和室外。通过用于2D LiDAR和构建类似3D NDT地图的附加配置，证明了系统的灵活性。该框架已在线开源：https://github.com/MOLAorg/mola

🔬 方法详解

问题定义：现有LiDAR SLAM系统通常依赖于特定的地图表示（如点云或体素），缺乏灵活性，难以适应不同的应用场景和传感器配置。此外，在剧烈运动下，传统ICP算法容易失效，需要额外的IMU数据来辅助定位。

核心思路：论文的核心思路是将地图表示为一系列带有时间戳传感器读数的位置图（view-based maps），这种表示方式具有极高的灵活性，可以根据不同的任务需求后验生成各种类型的度量地图。同时，通过在ICP优化器中紧耦合线性和角速度估计，提高系统对剧烈运动的鲁棒性。

技术框架：该框架包含以下主要模块：1) 数据采集模块：负责从LiDAR传感器获取原始点云数据。2) 位姿图构建模块：基于ICP算法估计相邻帧之间的相对位姿，构建初始位姿图。3) 紧耦合优化模块：在ICP优化器中同时估计线性和角速度，提高位姿估计的精度和鲁棒性。4) 地图生成模块：根据位姿图和原始点云数据，生成各种类型的度量地图，如点云地图、NDT地图等。5) 可视化与应用模块：将生成的地图进行可视化，并应用于导航、避障等任务。

关键创新：该论文的关键创新点在于：1) 提出了一种基于视图地图的灵活SLAM框架，可以根据不同的任务需求生成各种类型的度量地图。2) 在ICP优化器中紧耦合线性和角速度估计，提高了系统对剧烈运动的鲁棒性，无需依赖IMU。3) 引入了一个无需编码即可定义映射管道的框架，通过连接可重用模块网络，简化了SLAM系统的开发和部署。

关键设计：在紧耦合优化模块中，论文采用了一种迭代的优化策略，交替更新位姿、线速度和角速度。损失函数的设计考虑了点云之间的距离、线速度和角速度的平滑性等因素。此外，论文还提出了一种自适应配置方法，可以根据传感器的类型和场景的特点自动调整参数。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该框架在多个公开数据集上取得了与SOTA系统相当甚至更好的性能。在一些其他系统发散的困难序列上，该框架也能成功构建地图。自适应配置方法使得该框架能够适应不同类型的LiDAR传感器，无需手动调整参数。在超过250公里的数据集上进行了广泛测试，验证了该框架的鲁棒性和可靠性。

🎯 应用场景

该研究成果可广泛应用于自动驾驶、机器人导航、三维重建等领域。基于视图地图的灵活SLAM框架可以根据不同的应用场景生成定制化的地图，提高系统的性能和效率。紧耦合的线性和角速度估计方法可以提高系统在剧烈运动下的鲁棒性，使其能够适应更复杂的环境。该框架的开源将促进LiDAR SLAM技术的发展和应用。

📄 摘要（原文）

LiDAR-based SLAM is a core technology for autonomous vehicles and robots. One key contribution of this work to 3D LiDAR SLAM and localization is a fierce defense of view-based maps (pose graphs with time-stamped sensor readings) as the fundamental representation of maps. As will be shown, they allow for the greatest flexibility, enabling the posterior generation of arbitrary metric maps optimized for particular tasks, e.g. obstacle avoidance, real-time localization. Moreover, this work introduces a new framework in which mapping pipelines can be defined without coding, defining the connections of a network of reusable blocks much like deep-learning networks are designed by connecting layers of standardized elements. We also introduce tightly-coupled estimation of linear and angular velocity vectors within the Iterative Closest Point (ICP)-like optimizer, leading to superior robustness against aggressive motion profiles without the need for an IMU. Extensive experimental validation reveals that the proposal compares well to, or improves, former state-of-the-art (SOTA) LiDAR odometry systems, while also successfully mapping some hard sequences where others diverge. A proposed self-adaptive configuration has been used, without parameter changes, for all 3D LiDAR datasets with sensors between 16 and 128 rings, and has been extensively tested on 83 sequences over more than 250~km of automotive, hand-held, airborne, and quadruped LiDAR datasets, both indoors and outdoors. The system flexibility is demonstrated with additional configurations for 2D LiDARs and for building 3D NDT-like maps. The framework is open-sourced online: https://github.com/MOLAorg/mola