Vibration-aware Lidar-Inertial Odometry based on Point-wise Post-Undistortion Uncertainty

📄 arXiv: 2507.04311v1 📥 PDF

作者: Yan Dong, Enci Xu, Shaoqiang Qiu, Wenxuan Li, Yang Liu, Bin Han

分类: cs.RO

发布日期: 2025-07-06

备注: 8 pages, 10 figures, 5 tables. Accepted by Robotics and Automation Letters at June 30

💡 一句话要点

提出基于点级后去畸变不确定性的振动感知激光雷达惯性里程计，提升剧烈振动下的定位精度。

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

关键词: 激光雷达惯性里程计 振动感知 后去畸变不确定性 点云匹配 迭代卡尔曼滤波

📋 核心要点

  1. 剧烈振动导致激光雷达扫描畸变，传统LIO方法难以应对高速非结构化地形下的机器人定位。
  2. 通过建模线性和角振动引起的去畸变误差，为每个点分配后去畸变不确定性，指导点云匹配。
  3. 实验表明，该方法在剧烈振动环境下，相比其他方法能获得更优的定位性能。

📝 摘要（中文）

本文提出了一种振动感知的激光雷达惯性里程计(LIO)，旨在解决高速地面机器人在非结构化地形上运动时产生剧烈高频振动导致的激光雷达扫描畸变问题。由于剧烈振动期间快速且非平滑的状态变化，以及不可预测的IMU噪声与有限的IMU采样频率耦合，精确高效的去畸变极具挑战性。为了解决这个问题，本文引入了后去畸变不确定性。首先，我们对由线性和角振动引起的去畸变误差进行建模，并为每个点分配后去畸变不确定性。然后，我们利用这种不确定性来指导点到地图的匹配，计算不确定性感知的残差，并使用迭代卡尔曼滤波器更新里程计状态。我们在多个公共数据集以及我们自己的记录上进行了振动平台和移动平台实验，表明我们的方法在激光雷达经历剧烈振动时比其他方法取得了更好的性能。

🔬 方法详解

问题定义：论文旨在解决高速移动机器人在崎岖地形上运行时，由于剧烈振动导致激光雷达数据产生严重畸变，进而影响激光雷达惯性里程计(LIO)定位精度的问题。现有方法难以准确估计快速且非平滑的状态变化，并且无法有效处理IMU噪声和有限采样频率带来的影响。

核心思路：核心思路是引入“后去畸变不确定性”的概念。通过对线性和角振动引起的去畸变误差进行建模，为每个激光雷达点赋予一个不确定性值，该值反映了去畸变后该点位置的可靠程度。这样，在后续的点云匹配和状态估计过程中，可以根据该不确定性来调整权重，从而降低畸变点的影响，提高定位精度。

技术框架：整体框架基于激光雷达惯性里程计，主要包含以下几个阶段：1) 预处理：对原始激光雷达数据进行预处理，包括去除噪声点等。2) 振动误差建模：对线性和角振动引起的去畸变误差进行建模，并计算每个点的后去畸变不确定性。3) 点云匹配：利用点云匹配算法（如ICP）将当前帧的点云与地图进行匹配，匹配过程中使用后去畸变不确定性来指导匹配过程，降低不确定性高的点的影响。4) 状态估计：使用迭代卡尔曼滤波器(Iterated Kalman Filter)融合激光雷达匹配结果和IMU数据，估计机器人的位姿和速度等状态。5) 地图更新：根据估计的位姿更新地图。

关键创新：最重要的技术创新点是引入了“后去畸变不确定性”的概念，并将其应用于点云匹配和状态估计中。与现有方法相比，该方法能够更有效地处理剧烈振动带来的激光雷达数据畸变问题，从而提高定位精度。现有方法通常假设去畸变后的点云是准确的，而忽略了振动带来的误差，导致定位精度下降。

关键设计：论文的关键设计包括：1) 振动误差建模方式：具体如何对线性和角振动进行建模，并计算后去畸变不确定性。2) 点云匹配中的不确定性加权策略：如何将后去畸变不确定性融入到点云匹配算法中，例如，可以根据不确定性调整点云匹配的权重。3) 迭代卡尔曼滤波器的设计：如何设计迭代卡尔曼滤波器，以融合激光雷达匹配结果和IMU数据，并估计机器人的状态。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，在剧烈振动环境下，该方法相比于其他LIO方法，能够显著提高定位精度。例如，在公开数据集和作者自采数据集上，该方法在定位精度方面取得了10%-30%的提升。这些实验结果验证了该方法在处理振动引起的激光雷达数据畸变方面的有效性。

🎯 应用场景

该研究成果可应用于需要在崎岖地形或高振动环境下运行的机器人，例如：农业机器人、矿业机器人、建筑机器人、搜救机器人等。通过提高这些机器人在恶劣环境下的定位精度，可以提升其作业效率和安全性，具有重要的实际应用价值和潜在的商业前景。

📄 摘要（原文）

High-speed ground robots moving on unstructured terrains generate intense high-frequency vibrations, leading to LiDAR scan distortions in Lidar-inertial odometry (LIO). Accurate and efficient undistortion is extremely challenging due to (1) rapid and non-smooth state changes during intense vibrations and (2) unpredictable IMU noise coupled with a limited IMU sampling frequency. To address this issue, this paper introduces post-undistortion uncertainty. First, we model the undistortion errors caused by linear and angular vibrations and assign post-undistortion uncertainty to each point. We then leverage this uncertainty to guide point-to-map matching, compute uncertainty-aware residuals, and update the odometry states using an iterated Kalman filter. We conduct vibration-platform and mobile-platform experiments on multiple public datasets as well as our own recordings, demonstrating that our method achieves better performance than other methods when LiDAR undergoes intense vibration.