Terrain-Awared LiDAR-Inertial Odometry for Legged-Wheel Robots Based on Radial Basis Function Approximation

📄 arXiv: 2509.26222v1 📥 PDF

作者: Yizhe Liu, Han Zhang

分类: cs.RO

发布日期: 2025-09-30

💡 一句话要点

提出基于径向基函数近似的地形感知激光惯性里程计，用于腿轮机器人。

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

关键词: 激光惯性里程计 腿轮机器人 地形建模 径向基函数 非结构化地形

📋 核心要点

  1. 现有腿轮机器人的里程计方法在非结构化地形中易受位姿漂移影响，主要原因是忽略了地形几何信息。
  2. 论文提出一种基于径向基函数(RBF)的地形感知LIO框架，通过自适应选择RBF中心和递归更新权重来近似地形。
  3. 实验结果表明，该方法在连续高度变化或突发高度变化且特征稀疏的场景中，定位精度优于现有方法。

📝 摘要（中文）

本文提出了一种地形感知的激光惯性里程计(LIO)框架，用于在崎岖道路和楼梯等非结构化地形中运行的腿轮机器人。现有方法通常因忽略地形几何结构而导致位姿漂移。该框架使用径向基函数(RBF)来近似地形，RBF的中心自适应选择，权重递归更新。由此产生的平滑地形流形实现了“软约束”，从而规范了里程计优化，并减轻了机器人在机动过程中突然的高度变化下z轴的位姿漂移。为了确保LIO的实时性能，进一步评估了与RBF相关的项，并使用GPU并行化计算稀疏核矩阵的逆。在非结构化地形上的实验表明，该方法比最先进的基线方法实现了更高的定位精度，尤其是在具有连续高度变化或在发生突发高度变化时特征稀疏的场景中。

🔬 方法详解

问题定义：腿轮机器人在非结构化地形（如崎岖道路、楼梯）中运行时，需要精确的里程计信息。然而，现有方法通常忽略地形几何结构，导致在高度变化剧烈的场景下，z轴方向的位姿漂移严重，影响定位精度。

核心思路：论文的核心思路是利用径向基函数（RBF）来近似地形，构建一个平滑的地形流形。这个地形流形可以作为里程计优化的“软约束”，从而减少由于地形不规则性引起的位姿漂移，尤其是在z轴方向上。通过地形约束来提升里程计的鲁棒性和精度。

技术框架：该LIO框架主要包含以下几个模块：1. 激光雷达数据预处理和特征提取；2. 惯性测量单元（IMU）数据预处理；3. 基于RBF的地形建模，包括RBF中心的选择和权重的更新；4. 融合激光雷达、IMU和地形信息的里程计优化，利用地形流形提供的软约束来正则化优化过程；5. GPU并行化加速RBF相关计算和稀疏核矩阵求逆，以保证实时性。

关键创新：该方法最重要的创新点在于将地形信息显式地融入到LIO框架中，并使用RBF进行地形建模。与传统的仅依赖激光雷达和IMU数据的方法相比，该方法能够更好地处理高度变化剧烈的非结构化地形，从而提高定位精度。此外，自适应RBF中心选择和递归权重更新策略，使得地形模型能够适应不同的地形特征。

关键设计：RBF中心的选择策略是自适应的，可以根据环境特征进行调整。RBF权重的更新采用递归最小二乘法，能够实时更新地形模型。里程计优化问题中，地形约束以软约束的形式加入，其权重需要仔细调整，以平衡激光雷达、IMU和地形信息之间的贡献。GPU并行化加速主要针对RBF相关项的计算和稀疏核矩阵的求逆，具体实现细节未详细描述。

📊 实验亮点

实验结果表明，该方法在非结构化地形上实现了比现有方法更高的定位精度。尤其是在具有连续高度变化或突发高度变化且特征稀疏的场景中，该方法的z轴方向的位姿漂移明显减少。具体性能数据和对比基线在论文中进行了详细展示，但摘要中未提供具体数值。

🎯 应用场景

该研究成果可应用于腿轮机器人在复杂地形下的自主导航、搜索救援、物流配送等领域。通过提高腿轮机器人在非结构化环境中的定位精度和鲁棒性，可以扩展其应用范围，使其能够在更多具有挑战性的场景中发挥作用。未来，该技术还可以推广到其他类型的移动机器人，如履带式机器人、四足机器人等。

📄 摘要（原文）

An accurate odometry is essential for legged-wheel robots operating in unstructured terrains such as bumpy roads and staircases. Existing methods often suffer from pose drift due to their ignorance of terrain geometry. We propose a terrain-awared LiDAR-Inertial odometry (LIO) framework that approximates the terrain using Radial Basis Functions (RBF) whose centers are adaptively selected and weights are recursively updated. The resulting smooth terrain manifold enables ``soft constraints" that regularize the odometry optimization and mitigates the $z$-axis pose drift under abrupt elevation changes during robot's maneuver. To ensure the LIO's real-time performance, we further evaluate the RBF-related terms and calculate the inverse of the sparse kernel matrix with GPU parallelization. Experiments on unstructured terrains demonstrate that our method achieves higher localization accuracy than the state-of-the-art baselines, especially in the scenarios that have continuous height changes or sparse features when abrupt height changes occur.