AKF-LIO: LiDAR-Inertial Odometry with Gaussian Map by Adaptive Kalman Filter

📄 arXiv: 2503.06891v2 📥 PDF

作者: Xupeng Xie, Ruoyu Geng, Jun Ma, Boyu Zhou

分类: cs.RO

发布日期: 2025-03-10 (更新: 2025-07-31)

备注: Submitted to IROS 2025 Conference, https://github.com/xpxie/AKF-LIO.git

🔗 代码/项目: GITHUB

💡 一句话要点

提出自适应卡尔曼滤波器以解决LiDAR-惯性测量系统的噪声估计问题

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

关键词: 自适应卡尔曼滤波 LiDAR-惯性测量 状态估计 动态场景 高斯地图表示 机器人导航 自动驾驶

📋 核心要点

  1. 现有的LIO系统在状态估计中依赖于特定传感器的噪声协方差，导致在复杂环境中性能下降。
  2. 提出自适应卡尔曼滤波器（AKF），动态估计LiDAR和IMU的噪声协方差，提升传感器数据的权重分配能力。
  3. 实验结果表明，该方法在MARS-LVIG序列中实现了可靠的定位，并在KITTI里程计基准测试中排名第八。

📝 摘要（中文）

现有的LiDAR-惯性测量里程计（LIO）系统通常使用特定传感器或环境依赖的测量协方差进行状态估计，这导致参数调优繁琐且在挑战性条件下表现不佳。因此，本文提出了一种自适应卡尔曼滤波器（AKF）框架，动态估计LiDAR和惯性测量单元（IMU）测量的时变噪声协方差，实现传感器之间的上下文感知权重分配。在LiDAR退化期间，系统优先考虑IMU数据，同时抑制来自不可靠输入（如移动物体或噪声点云）的贡献。此外，提出了一种基于高斯的紧凑地图表示法，以建模环境平面性和空间噪声。通过伪合并的相关配准策略，确保即使在森林等非结构化环境中也能准确估计平面法线。大量实验验证了该系统在动态场景和几何退化场景中的鲁棒性。

🔬 方法详解

问题定义：现有的LiDAR-惯性测量里程计（LIO）系统在状态估计中使用固定的噪声协方差，导致在传感器退化和噪声观测等挑战性条件下性能不佳。

核心思路：本文提出的自适应卡尔曼滤波器（AKF）框架能够动态估计LiDAR和IMU测量的时变噪声协方差，从而实现对传感器数据的上下文感知权重分配。

技术框架：该方法的整体架构包括自适应噪声估计模块、IMU数据优先处理机制和基于高斯的地图表示法。通过伪合并策略进行平面法线的准确估计，确保在复杂环境中保持鲁棒性。

关键创新：最重要的创新在于动态估计噪声协方差的能力，使得系统能够在不同环境条件下自适应调整，显著提升了定位精度和可靠性。

关键设计：在设计中，采用了高斯地图表示法来建模环境的平面性和空间噪声，同时在IMU数据处理时引入了优先级机制，以抑制不可靠输入的影响。实验中使用的参数设置经过多次验证，以确保系统的稳定性和准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，所提方法在MARS-LVIG序列中实现了可靠的定位，且在KITTI里程计基准测试中排名第八，展现出在动态场景和几何退化情况下的优越性能，显著提升了定位的鲁棒性和准确性。

🎯 应用场景

该研究的潜在应用领域包括自动驾驶、机器人导航和增强现实等场景，能够在动态和复杂环境中提供高精度的定位服务。未来，该技术有望进一步推广至无人机、智能城市和智能交通系统等领域，提升自动化水平和安全性。

📄 摘要（原文）

Existing LiDAR-Inertial Odometry (LIO) systems typically use sensor-specific or environment-dependent measurement covariances during state estimation, leading to laborious parameter tuning and suboptimal performance in challenging conditions (e.g., sensor degeneracy and noisy observations). Therefore, we propose an Adaptive Kalman Filter (AKF) framework that dynamically estimates time-varying noise covariances of LiDAR and Inertial Measurement Unit (IMU) measurements, enabling context-aware confidence weighting between sensors. During LiDAR degeneracy, the system prioritizes IMU data while suppressing contributions from unreliable inputs like moving objects or noisy point clouds. Furthermore, a compact Gaussian-based map representation is introduced to model environmental planarity and spatial noise. A correlated registration strategy ensures accurate plane normal estimation via pseudo-merge, even in unstructured environments like forests. Extensive experiments validate the robustness of the proposed system across diverse environments, including dynamic scenes and geometrically degraded scenarios. Our method achieves reliable localization results across all MARS-LVIG sequences and ranks 8th on the KITTI Odometry Benchmark. The code will be released at https://github.com/xpxie/AKF-LIO.git.