AS-LIO: Spatial Overlap Guided Adaptive Sliding Window LiDAR-Inertial Odometry for Aggressive FOV Variation

📄 arXiv: 2408.11426v1 📥 PDF

作者: Tianxiang Zhang, Xuanxuan Zhang, Zongbo Liao, Xin Xia, You Li

分类: cs.RO

发布日期: 2024-08-21

备注: 8 pages, 6 figures

💡 一句话要点

提出基于空间重叠度引导的自适应滑窗LIO，解决剧烈FOV变化下的定位问题。

🎯 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 LIO 空间重叠度 自适应滑窗 剧烈运动 FOV变化 状态估计

📋 核心要点

  1. 现有LIO方法在剧烈运动和FOV变化下，因IMU频率限制和空间重叠减少，导致定位精度下降。
  2. 提出AS-LIO，通过空间重叠度(SOD)评估FOV变化的影响，并自适应调整滑窗更新频率。
  3. 实验表明，AS-LIO能有效应对FOV变化，在精度和鲁棒性上优于其他先进LIO框架。

📝 摘要（中文）

激光雷达惯性里程计(LIO)在低速平稳运动场景中表现出卓越的精度和稳定性。然而，在高速和剧烈运动场景中，例如急转弯，会出现两个主要挑战：首先，由于IMU频率的限制，对显著非线性运动状态的估计误差会加剧；其次，视场(FOV)的剧烈变化可能会减少激光雷达帧与点云地图（或帧与帧之间）的空间重叠，导致数据关联不足和约束退化。为了解决这些问题，我们提出了一种新的由空间重叠度(SOD)引导的自适应滑窗LIO框架(AS-LIO)。首先，我们评估激光雷达帧与注册地图之间的SOD，直接评估当前FOV变化对点云对齐的不利影响。随后，我们设计了一个自适应滑窗来管理连续的激光雷达流并控制状态更新，根据SOD动态调整更新步长。这种策略使我们的里程计能够自适应地采用更高的更新频率，以精确地表征剧烈FOV变化期间的轨迹，从而有效地减少定位中的非线性误差。同时，滑窗内的历史约束加强了帧到地图的数据关联，确保了状态估计的鲁棒性。实验表明，我们的AS-LIO框架可以快速感知并响应具有挑战性的FOV变化，在精度和鲁棒性方面优于其他最先进的LIO框架。

🔬 方法详解

问题定义：论文旨在解决在高速、剧烈运动场景下，特别是当激光雷达视场(FOV)发生剧烈变化时，现有激光雷达惯性里程计(LIO)系统定位精度和鲁棒性下降的问题。现有方法主要痛点在于：1) IMU频率不足以准确估计非线性运动状态；2) FOV变化导致帧间或帧与地图之间的空间重叠度降低，数据关联困难，约束退化。

核心思路：论文的核心思路是利用空间重叠度(SOD)来指导自适应滑窗的更新。通过评估当前激光雷达帧与地图之间的空间重叠程度，直接量化FOV变化对点云对齐的影响。然后，根据SOD动态调整滑窗的更新频率，在FOV变化剧烈时提高更新频率，以更精确地捕捉轨迹，从而减少非线性误差。

技术框架：AS-LIO框架主要包含以下几个阶段：1) 空间重叠度(SOD)评估：计算当前激光雷达帧与地图之间的SOD。2) 自适应滑窗管理：根据SOD动态调整滑窗的更新步长。SOD较低时，提高更新频率；SOD较高时，降低更新频率。3) 状态估计：在滑窗内进行状态估计，利用历史约束加强帧到地图的数据关联。4) 地图更新：使用估计的状态更新地图。

关键创新：论文最重要的技术创新点在于提出了基于空间重叠度(SOD)的自适应滑窗机制。与传统的固定滑窗或基于时间/帧数的滑窗不同，AS-LIO能够根据环境变化动态调整更新频率，从而更好地适应剧烈运动和FOV变化带来的挑战。这种自适应性是现有LIO方法所缺乏的。

关键设计：论文的关键设计包括：1) SOD计算方法：具体如何定义和计算激光雷达帧与地图之间的空间重叠度，需要考虑点云密度、视角等因素。2) 滑窗更新策略：如何根据SOD值来确定滑窗的更新步长，需要设计合适的函数关系，平衡精度和计算效率。3) 状态估计优化：滑窗内的状态估计通常采用因子图优化，需要仔细设计因子类型和权重，以保证精度和鲁棒性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，AS-LIO框架在具有挑战性的FOV变化场景下，能够快速感知并响应环境变化，在精度和鲁棒性方面优于其他先进的LIO框架。具体性能数据（例如，在特定数据集上的定位误差降低百分比）需要在论文中查找。

🎯 应用场景

该研究成果可应用于需要高精度定位的机器人导航、自动驾驶、无人机等领域，尤其是在运动剧烈、环境快速变化的场景下，例如高速无人机飞行、复杂地形下的机器人探索等。通过提高LIO系统的鲁棒性和精度，可以提升相关应用的可靠性和安全性，并为更高级的任务规划和控制提供更准确的环境感知。

📄 摘要（原文）

LiDAR-Inertial Odometry (LIO) demonstrates outstanding accuracy and stability in general low-speed and smooth motion scenarios. However, in high-speed and intense motion scenarios, such as sharp turns, two primary challenges arise: firstly, due to the limitations of IMU frequency, the error in estimating significantly non-linear motion states escalates; secondly, drastic changes in the Field of View (FOV) may diminish the spatial overlap between LiDAR frame and pointcloud map (or between frames), leading to insufficient data association and constraint degradation. To address these issues, we propose a novel Adaptive Sliding window LIO framework (AS-LIO) guided by the Spatial Overlap Degree (SOD). Initially, we assess the SOD between the LiDAR frames and the registered map, directly evaluating the adverse impact of current FOV variation on pointcloud alignment. Subsequently, we design an adaptive sliding window to manage the continuous LiDAR stream and control state updates, dynamically adjusting the update step according to the SOD. This strategy enables our odometry to adaptively adopt higher update frequency to precisely characterize trajectory during aggressive FOV variation, thus effectively reducing the non-linear error in positioning. Meanwhile, the historical constraints within the sliding window reinforce the frame-to-map data association, ensuring the robustness of state estimation. Experiments show that our AS-LIO framework can quickly perceive and respond to challenging FOV change, outperforming other state-of-the-art LIO frameworks in terms of accuracy and robustness.