Incorporating GNSS Information with LIDAR-Inertial Odometry for Accurate Land-Vehicle Localization

📄 arXiv: 2503.23199v1 📥 PDF

作者: Jintao Cheng, Bohuan Xue, Shiyang Chen, Qiuchi Xiang, Xiaoyu Tang

分类: cs.RO, cs.AI

发布日期: 2025-03-29

💡 一句话要点

提出融合GNSS信息的激光雷达惯性里程计，用于精准陆地车辆定位

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

关键词: 激光雷达定位 GNSS融合 惯性里程计 点云地图 车辆定位

📋 核心要点

  1. 现有视觉和激光雷达里程计在高速运动时定位易失效，且存在累积漂移问题。
  2. 提出融合GNSS信息的激光雷达定位框架，利用离线点云地图先验知识加速重定位。
  3. 实验结果表明，该算法在不同数据集上具有更高的鲁棒性和定位精度。

📝 摘要（中文）

本文提出了一种新颖的基于激光雷达的定位框架，旨在解决视觉里程计和激光雷达里程计在高速运动或累积漂移方面的不足。该框架通过融合全局信息和激光雷达里程计来优化定位状态，从而实现高精度和鲁棒的3D点云地图定位。为了提高鲁棒性并实现快速重定位，本文利用离线点云地图作为先验知识，并提出了一种新的配准方法来加速收敛速度。该算法在不同数据集的各种地图上进行了测试，结果表明其具有比其他定位算法更高的鲁棒性和精度。

🔬 方法详解

问题定义：现有视觉里程计和激光雷达里程计在典型环境中表现良好，但在高速运动时容易失效，并且存在累积漂移的问题。这些问题限制了它们在需要高精度和长期稳定性的陆地车辆定位应用中的应用。因此，需要一种能够融合全局信息、提高鲁棒性并减少累积漂移的定位方法。

核心思路：本文的核心思路是将全局导航卫星系统（GNSS）的信息与激光雷达惯性里程计（LIO）相结合，利用GNSS提供的全局位置信息来约束LIO的漂移，并利用LIO提供的高精度局部运动估计来弥补GNSS在遮挡环境下的不足。此外，利用离线点云地图作为先验知识，可以加速定位过程并提高鲁棒性。

技术框架：该系统主要包含以下几个模块：1) 激光雷达惯性里程计（LIO）：用于估计车辆的局部运动；2) GNSS接收器：用于获取车辆的全局位置信息；3) 离线点云地图：用于提供环境的先验知识；4) 配准模块：用于将激光雷达扫描与离线点云地图进行配准，从而实现定位；5) 融合模块：用于将LIO、GNSS和配准结果进行融合，从而得到最终的定位结果。

关键创新：该论文的关键创新在于：1) 将GNSS信息与LIO进行紧密耦合，从而实现更精确和鲁棒的定位；2) 提出了一种新的配准方法，可以加速激光雷达扫描与离线点云地图的配准过程；3) 利用离线点云地图作为先验知识，可以提高定位的鲁棒性和重定位速度。

关键设计：论文中使用了扩展卡尔曼滤波器（EKF）或因子图优化等方法将LIO、GNSS和配准结果进行融合。配准模块可能采用了迭代最近点（ICP）算法或其变体，并针对大规模点云进行了优化。损失函数的设计可能考虑了GNSS定位误差、LIO里程计误差和配准误差，并根据实际情况调整权重。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

论文在多个数据集上进行了实验，验证了所提出算法的有效性。实验结果表明，该算法在定位精度和鲁棒性方面均优于其他现有的定位算法。具体的性能数据（例如，定位误差的降低百分比）和对比基线需要在论文中查找。

🎯 应用场景

该研究成果可应用于自动驾驶、高精度地图构建、物流配送、农业机器人等领域。通过提供更准确和鲁棒的定位信息，可以提高自动驾驶车辆的安全性，降低高精度地图的建图成本，提升物流配送的效率，并扩展农业机器人的应用范围。未来，该技术有望在更多需要精准定位的场景中发挥重要作用。

📄 摘要（原文）

Currently, visual odometry and LIDAR odometry are performing well in pose estimation in some typical environments, but they still cannot recover the localization state at high speed or reduce accumulated drifts. In order to solve these problems, we propose a novel LIDAR-based localization framework, which achieves high accuracy and provides robust localization in 3D pointcloud maps with information of multi-sensors. The system integrates global information with LIDAR-based odometry to optimize the localization state. To improve robustness and enable fast resumption of localization, this paper uses offline pointcloud maps for prior knowledge and presents a novel registration method to speed up the convergence rate. The algorithm is tested on various maps of different data sets and has higher robustness and accuracy than other localization algorithms.