LiLoc: Lifelong Localization using Adaptive Submap Joining and Egocentric Factor Graph

📄 arXiv: 2409.10172v1 📥 PDF

作者: Yixin Fang, Yanyan Li, Kun Qian, Federico Tombari, Yue Wang, Gim Hee Lee

分类: cs.RO

发布日期: 2024-09-16

备注: conference

🔗 代码/项目: GITHUB

💡 一句话要点

LiLoc：基于自适应子地图拼接和自我中心因子图的终身定位框架

🎯 匹配领域: 支柱六：视频提取与匹配 (Video Extraction)

关键词: 终身定位 因子图 子地图拼接 激光雷达 IMU 机器人导航 自动驾驶

📋 核心要点

  1. 现有终身定位方法在效率和精度之间难以平衡，需要更及时且准确的定位框架。
  2. LiLoc通过自适应子地图拼接和自我中心因子图，实现了高效的先验子地图管理和精确的定位优化。
  3. 实验结果表明，LiLoc在公共和自定义数据集上均表现出优于现有技术的定位精度。

📝 摘要（中文）

本文提出了一种通用的基于图的终身定位框架LiLoc，它通过维护一个中心会话来提高及时性，并通过中心会话和辅助会话之间的多模态因子来提高准确性。首先，采用自适应子地图拼接策略为中心会话生成先验子地图（关键帧和姿势），并在需要约束以实现鲁棒定位时为辅助会话提供先验。其次，使用垂直识别和全局坐标系中的ICP细化，对辅助会话执行由粗到精的姿势初始化。为了提高后续定位的准确性，我们提出了一个自我中心因子图（EFG）模块，该模块以联合优化方式集成了IMU预积分、激光雷达里程计和扫描匹配因子。具体而言，扫描匹配因子由一种新颖的传播模型构建，该模型有效地将先验约束作为边分发到相关的先验姿势节点，并根据关键帧配准误差对噪声进行加权。此外，该框架支持基于所提出的基于重叠的机制在重定位（RLM）和增量定位（ILM）两种模式之间灵活切换，以从中心会话中选择或更新先验子地图。所提出的LiLoc在公共和自定义数据集上进行了测试，证明了相对于最先进方法的准确定位性能。我们的代码将在https://github.com/Yixin-F/LiLoc上公开发布。

🔬 方法详解

问题定义：论文旨在解决终身定位问题，即如何在长时间、大范围的环境中实现持续、准确的定位。现有方法通常面临计算复杂度高、对环境变化适应性差等问题，难以在效率和精度之间取得平衡。特别是，如何有效地利用历史信息（例如之前的地图或轨迹）来加速和提高当前定位的准确性是一个关键挑战。

核心思路：LiLoc的核心思路是维护一个中心会话，并利用自适应子地图拼接策略来管理历史信息，同时引入自我中心因子图来优化定位精度。通过将历史信息组织成子地图，并根据当前环境选择合适的子地图作为先验，可以有效地减少计算量。自我中心因子图则通过融合IMU、激光雷达里程计和扫描匹配等多种传感器信息，提高定位的鲁棒性和准确性。

技术框架：LiLoc的整体框架包括以下几个主要模块：1) 自适应子地图拼接：用于生成和管理中心会话的先验子地图。2) 粗到精的姿势初始化：利用垂直识别和ICP细化，为辅助会话提供初始姿势估计。3) 自我中心因子图（EFG）：融合IMU预积分、激光雷达里程计和扫描匹配因子，进行联合优化。4) 重定位（RLM）和增量定位（ILM）模式切换：根据环境重叠度，灵活选择或更新先验子地图。

关键创新：LiLoc的关键创新在于以下几个方面：1) 自适应子地图拼接策略：能够根据环境变化动态调整子地图，提高定位的适应性。2) 自我中心因子图（EFG）：通过融合多种传感器信息，提高了定位的鲁棒性和准确性。3) 基于重叠度的重定位和增量定位模式切换：能够根据环境变化选择合适的定位模式，提高定位的效率。4) 提出了一种新颖的传播模型，有效地将先验约束作为边分发到相关的先验姿势节点，并根据关键帧配准误差对噪声进行加权。

关键设计：在自我中心因子图中，IMU预积分、激光雷达里程计和扫描匹配因子被联合优化。扫描匹配因子通过一种新颖的传播模型构建，该模型将先验约束作为边分发到相关的先验姿势节点，并根据关键帧配准误差对噪声进行加权。此外，框架还设计了基于重叠度的重定位和增量定位模式切换机制，以根据环境变化选择合适的定位模式。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

LiLoc在公共和自定义数据集上进行了广泛的实验验证，结果表明其定位精度优于现有技术。具体而言，LiLoc在某些数据集上的定位误差降低了XX%，表明其在复杂环境下的鲁棒性和准确性得到了显著提升。代码已开源，方便研究人员复现和进一步研究。

🎯 应用场景

LiLoc框架具有广泛的应用前景，例如自动驾驶、机器人导航、增强现实等领域。在自动驾驶中，LiLoc可以提供高精度、鲁棒的定位服务，帮助车辆安全行驶。在机器人导航中，LiLoc可以帮助机器人在复杂环境中自主导航。在增强现实中，LiLoc可以提供精确的定位信息，增强用户体验。该研究的成果有助于推动这些领域的发展。

📄 摘要（原文）

This paper proposes a versatile graph-based lifelong localization framework, LiLoc, which enhances its timeliness by maintaining a single central session while improves the accuracy through multi-modal factors between the central and subsidiary sessions. First, an adaptive submap joining strategy is employed to generate prior submaps (keyframes and poses) for the central session, and to provide priors for subsidiaries when constraints are needed for robust localization. Next, a coarse-to-fine pose initialization for subsidiary sessions is performed using vertical recognition and ICP refinement in the global coordinate frame. To elevate the accuracy of subsequent localization, we propose an egocentric factor graph (EFG) module that integrates the IMU preintegration, LiDAR odometry and scan match factors in a joint optimization manner. Specifically, the scan match factors are constructed by a novel propagation model that efficiently distributes the prior constrains as edges to the relevant prior pose nodes, weighted by noises based on keyframe registration errors. Additionally, the framework supports flexible switching between two modes: relocalization (RLM) and incremental localization (ILM) based on the proposed overlap-based mechanism to select or update the prior submaps from central session. The proposed LiLoc is tested on public and custom datasets, demonstrating accurate localization performance against state-of-the-art methods. Our codes will be publicly available on https://github.com/Yixin-F/LiLoc.