Performance Assessment of Lidar Odometry Frameworks: A Case Study at the Australian Botanic Garden Mount Annan

📄 arXiv: 2411.16931v2 📥 PDF

作者: Mohamed Mourad Ouazghire, Julie Stephany Berrio, Mao Shan, Stewart Worrall

分类: cs.RO

发布日期: 2024-11-25 (更新: 2025-01-26)

备注: The 2024 Australasian Conference on Robotics and Automation (ACRA 2024)

💡 一句话要点

评估激光雷达里程计在复杂自然环境下的性能：澳洲植物园案例研究

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 激光雷达里程计 惯性导航 自主导航 自然环境 性能评估

📋 核心要点

  1. 现有激光雷达里程计数据集较少关注森林、花园等自然非结构化环境，缺乏针对此类场景的性能评估。
  2. 本文利用澳洲植物园数据集，对比评估COIN-LIO和LIO-SAM两种激光雷达惯性里程计框架的定位精度。
  3. 实验结果表明，COIN-LIO在水平方向上优于LIO-SAM，尤其是在长距离轨迹上，而LIO-SAM则表现出更大的漂移。

📝 摘要（中文）

本文针对自然、非结构化环境（如森林或花园）数据集评估的不足，在澳洲安南山植物园进行了定位研究。该区域包含开阔草地、铺砌小路和植被茂密的区域。使用128线激光雷达传感器以及GPS和IMU读数记录数据集以跟踪车辆自身运动。本文评估了两种先进的激光雷达惯性里程计框架COIN-LIO和LIO-SAM在此数据集上的性能。分析了水平和垂直维度上的轨迹估计，并评估了不同距离上的相对平移和偏航误差。结果表明，虽然两个框架在垂直平面上表现良好，但COIN-LIO在水平平面上表现出更高的精度，尤其是在较长的轨迹上。相比之下，LIO-SAM在较长距离上表现出更大的漂移和偏航误差。

🔬 方法详解

问题定义：论文旨在评估现有激光雷达里程计框架在复杂自然环境下的定位性能。现有方法在结构化环境（如城市道路）中表现良好，但在非结构化环境中，由于植被、地形变化等因素，容易出现定位漂移和误差累积。因此，需要针对此类环境进行专门的性能评估，并为后续算法改进提供参考。

核心思路：论文的核心思路是通过在一个具有代表性的自然环境中（澳洲安南山植物园）采集真实数据集，然后利用该数据集对两种代表性的激光雷达惯性里程计框架（COIN-LIO和LIO-SAM）进行性能评估。通过对比分析两种框架在不同距离上的定位误差，从而揭示它们在非结构化环境中的优缺点。

技术框架：论文的技术框架主要包括数据采集和算法评估两个阶段。数据采集阶段使用配备128线激光雷达、GPS和IMU的车辆，在植物园内采集数据。算法评估阶段则将采集到的数据输入到COIN-LIO和LIO-SAM两种框架中，得到估计的车辆轨迹，然后与GPS真值进行对比，计算定位误差。评估指标包括水平和垂直方向的轨迹误差、相对平移误差和偏航误差。

关键创新：论文的关键创新在于针对自然非结构化环境，构建了一个包含激光雷达、GPS和IMU数据的综合数据集，并利用该数据集对两种先进的激光雷达惯性里程计框架进行了全面的性能评估。这种评估方法可以为后续算法改进提供有价值的参考。

关键设计：论文的关键设计在于选择了具有代表性的澳洲安南山植物园作为实验场地，该场地包含了开阔草地、铺砌小路和植被茂密的区域，能够充分反映自然非结构化环境的复杂性。此外，论文还选择了COIN-LIO和LIO-SAM两种具有代表性的激光雷达惯性里程计框架进行评估，这两种框架分别代表了不同的算法思路和技术特点。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，COIN-LIO在水平方向上优于LIO-SAM，尤其是在长距离轨迹上。具体来说，COIN-LIO在水平方向上的定位精度更高，漂移更小，而LIO-SAM在长距离上表现出更大的漂移和偏航误差。虽然两个框架在垂直方向上表现相当，但COIN-LIO在整体性能上更适合于自然非结构化环境。

🎯 应用场景

该研究成果可应用于自主导航车辆在自然环境中的应用，例如农业机器人、林业巡检机器人、公园观光车等。通过了解不同激光雷达里程计框架在自然环境下的性能表现，可以选择更适合特定场景的算法，提高自主导航的可靠性和精度。此外，该研究提供的数据集和评估方法，也可为后续算法改进提供参考。

📄 摘要（原文）

Autonomous vehicles are being tested in diverse environments worldwide. However, a notable gap exists in evaluating datasets representing natural, unstructured environments such as forests or gardens. To address this, we present a study on localisation at the Australian Botanic Garden Mount Annan. This area encompasses open grassy areas, paved pathways, and densely vegetated sections with trees and other objects. The dataset was recorded using a 128-beam LiDAR sensor and GPS and IMU readings to track the ego-vehicle. This paper evaluates the performance of two state-of-the-art LiDARinertial odometry frameworks, COIN-LIO and LIO-SAM, on this dataset. We analyse trajectory estimates in both horizontal and vertical dimensions and assess relative translation and yaw errors over varying distances. Our findings reveal that while both frameworks perform adequately in the vertical plane, COINLIO demonstrates superior accuracy in the horizontal plane, particularly over extended trajectories. In contrast, LIO-SAM shows increased drift and yaw errors over longer distances.