FAST-LIVO2 on Resource-Constrained Platforms: LiDAR-Inertial-Visual Odometry with Efficient Memory and Computation

📄 arXiv: 2501.13876v1 📥 PDF

作者: Bingyang Zhou, Chunran Zheng, Ziming Wang, Fangcheng Zhu, Yixi Cai, Fu Zhang

分类: cs.RO

发布日期: 2025-01-23

💡 一句话要点

针对资源受限平台，提出高效内存和计算的FAST-LIVO2优化方案

🎯 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 视觉惯性里程计 资源受限平台 边缘计算 自适应帧选择

📋 核心要点

  1. 现有LIVO系统在资源受限平台部署面临计算量大、内存占用高等挑战，限制了其应用范围。
  2. 提出一种退化感知的自适应视觉帧选择器和内存高效的地图结构，优化计算和内存占用。
  3. 实验表明，该系统在精度略有下降的情况下，显著降低了计算时间和内存占用，优于其他LIO方法。

📝 摘要（中文）

本文提出了一种轻量级的激光雷达-惯性-视觉里程计系统，专门为资源受限平台优化。该系统将一个退化感知的自适应视觉帧选择器集成到具有顺序更新的误差状态迭代卡尔曼滤波器（ESIKF）中，显著提高了计算效率，同时保持了相似的鲁棒性。此外，一种结合了局部统一视觉-激光雷达地图和长期视觉地图的内存高效映射结构，在性能和内存使用之间实现了良好的权衡。在x86和ARM平台上的大量实验证明了该系统的鲁棒性和效率。在Hilti数据集上，与FAST-LIVO2相比，我们的系统每帧运行时间减少了33%，内存使用量降低了47%，而RMSE仅增加了3厘米。尽管在精度上略有牺牲，但我们的系统仍然具有竞争力，优于最先进的（SOTA）LIO方法，如FAST-LIO2和大多数现有的LIVO系统。这些结果验证了该系统在资源受限的边缘计算平台上进行可扩展部署的能力。

🔬 方法详解

问题定义：现有激光雷达-惯性-视觉里程计（LIVO）系统在资源受限平台上的部署面临着计算量大和内存占用高等问题。尤其是在边缘计算设备上，有限的计算资源和存储空间严重制约了LIVO系统的性能和应用范围。现有的方法往往难以在精度、计算效率和内存占用之间取得平衡。

核心思路：本文的核心思路是在保证鲁棒性的前提下，通过自适应地选择视觉帧来降低计算量，并设计一种内存高效的地图结构来减少内存占用。具体来说，通过退化感知的视觉帧选择器，避免处理冗余或质量差的视觉信息，从而降低计算负担。同时，采用局部统一视觉-激光雷达地图和长期视觉地图相结合的方式，在保证定位精度的前提下，减少内存消耗。

技术框架：该系统基于误差状态迭代卡尔曼滤波器（ESIKF），并集成了激光雷达、惯性测量单元（IMU）和视觉信息。整体流程包括：1) 预处理IMU数据；2) 激光雷达特征提取；3) 退化感知的自适应视觉帧选择；4) ESIKF状态估计和更新；5) 局部统一视觉-激光雷达地图和长期视觉地图维护。系统采用顺序更新的方式，进一步提高计算效率。

关键创新：该论文的关键创新在于：1) 提出了一种退化感知的自适应视觉帧选择器，能够根据视觉信息的质量和冗余程度，动态地选择参与状态估计的视觉帧，从而显著降低计算量。2) 设计了一种内存高效的地图结构，将局部统一视觉-激光雷达地图和长期视觉地图相结合，在保证定位精度的前提下，减少了内存占用。与现有方法相比，该方法能够在资源受限平台上实现更高效的LIVO。

关键设计：在视觉帧选择器中，使用了图像梯度和特征点数量等指标来评估视觉信息的质量。通过设置阈值，可以过滤掉质量较差或冗余的视觉帧。在地图结构中，局部统一视觉-激光雷达地图用于短期内的精确定位，而长期视觉地图则用于长期定位和回环检测。具体参数设置（例如阈值）未知，可能通过实验确定。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

该系统在Hilti数据集上进行了广泛的实验，结果表明，与FAST-LIVO2相比，该系统每帧运行时间减少了33%，内存使用量降低了47%，而RMSE仅增加了3厘米。尽管在精度上略有牺牲，但该系统仍然优于FAST-LIO2等其他先进的LIO方法，验证了其在资源受限平台上部署的有效性。

🎯 应用场景

该研究成果可应用于资源受限的机器人导航、无人机自主飞行、增强现实（AR）和虚拟现实（VR）等领域。特别是在需要长时间运行且计算资源有限的场景下，例如巡检机器人、物流机器人等，该系统能够提供稳定可靠的定位和建图功能，具有重要的实际应用价值和广阔的市场前景。

📄 摘要（原文）

This paper presents a lightweight LiDAR-inertial-visual odometry system optimized for resource-constrained platforms. It integrates a degeneration-aware adaptive visual frame selector into error-state iterated Kalman filter (ESIKF) with sequential updates, improving computation efficiency significantly while maintaining a similar level of robustness. Additionally, a memory-efficient mapping structure combining a locally unified visual-LiDAR map and a long-term visual map achieves a good trade-off between performance and memory usage. Extensive experiments on x86 and ARM platforms demonstrate the system's robustness and efficiency. On the Hilti dataset, our system achieves a 33% reduction in per-frame runtime and 47% lower memory usage compared to FAST-LIVO2, with only a 3 cm increase in RMSE. Despite this slight accuracy trade-off, our system remains competitive, outperforming state-of-the-art (SOTA) LIO methods such as FAST-LIO2 and most existing LIVO systems. These results validate the system's capability for scalable deployment on resource-constrained edge computing platforms.