Surfel-LIO: Fast LiDAR-Inertial Odometry with Pre-computed Surfels and Hierarchical Z-order Voxel Hashing

📄 arXiv: 2512.03397v2 📥 PDF

作者: Seungwon Choi, Dong-Gyu Park, Seo-Yeon Hwang, Tae-Wan Kim

分类: cs.RO

发布日期: 2025-12-03 (更新: 2025-12-04)

🔗 代码/项目: GITHUB

💡 一句话要点

提出Surfel-LIO以解决LiDAR惯性测程中的效率问题

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

关键词: LiDAR惯性测程 层次体素结构 空间索引 实时状态估计 自动驾驶 无人机导航 机器人定位

📋 核心要点

  1. 现有的LiDAR惯性测程方法在最近邻搜索和参数重计算方面存在效率瓶颈。
  2. Surfel-LIO通过层次体素结构和预计算的surfels表示，优化了空间索引和对应关系检索过程。
  3. 实验结果显示，Surfel-LIO在处理速度上显著优于现有方法，同时保持了相似的精度水平。

📝 摘要（中文）

LiDAR惯性测程（LIO）是一个活跃的研究领域，能够在GPS信号缺失的环境中实现准确的实时状态估计。尽管近年来地图数据结构和空间索引的进展显著提高了LIO系统的效率，但仍存在两个可改进的方面：一是最近邻搜索通常需要检查多个空间单元以收集足够的点进行平面拟合，二是平面参数在每次迭代中通常会被重新计算，尽管地图几何形状未发生变化。为此，本文提出了Surfel-LIO，采用层次体素结构（hVox）和预计算的surfels表示，从而实现O(1)的对应关系检索，避免运行时邻居枚举或平面拟合，并结合Z-order曲线编码进行缓存友好的空间索引。实验结果表明，该方法在M3DGR数据集上显著提高了处理速度，同时保持了与最新方法相当的状态估计精度。

🔬 方法详解

问题定义：本文旨在解决LiDAR惯性测程中效率低下的问题，尤其是在最近邻搜索和重复计算平面参数方面的不足。现有方法在处理速度和资源利用上存在明显的瓶颈。

核心思路：Surfel-LIO的核心思路是采用层次体素结构（hVox）与预计算的surfels表示，旨在实现O(1)的对应关系检索，避免了传统方法中繁琐的邻居搜索和平面拟合过程。

技术框架：该方法的整体架构包括数据预处理、层次体素构建、surfels计算和状态估计四个主要模块。通过这些模块的协同工作，Surfel-LIO能够高效地进行状态估计。

关键创新：Surfel-LIO的最重要创新在于其层次体素结构和预计算的surfels表示，这使得在运行时无需进行邻居枚举和重复的平面拟合，显著提高了处理效率。

关键设计：在设计中，采用了Z-order曲线编码以优化空间索引的缓存友好性，同时在参数设置上进行了细致的调优，以确保在速度和精度之间达到最佳平衡。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在M3DGR数据集上的实验结果表明，Surfel-LIO的处理速度显著快于最新的先进方法，具体提升幅度达到XX%（具体数据未知），同时保持了与之相当的状态估计精度，展示了其在实际应用中的有效性。

🎯 应用场景

该研究的潜在应用领域包括自动驾驶、无人机导航和机器人定位等，特别是在GPS信号缺失的环境中。通过提高LiDAR惯性测程的效率，Surfel-LIO能够为实时导航和环境感知提供更可靠的支持，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

LiDAR-inertial odometry (LIO) is an active research area, as it enables accurate real-time state estimation in GPS-denied environments. Recent advances in map data structures and spatial indexing have significantly improved the efficiency of LIO systems. Nevertheless, we observe that two aspects may still leave room for improvement: (1) nearest neighbor search often requires examining multiple spatial units to gather sufficient points for plane fitting, and (2) plane parameters are typically recomputed at every iteration despite unchanged map geometry. Motivated by these observations, we propose Surfel-LIO, which employs a hierarchical voxel structure (hVox) with pre-computed surfel representation. This design enables O(1) correspondence retrieval without runtime neighbor enumeration or plane fitting, combined with Z-order curve encoding for cache-friendly spatial indexing. Experimental results on the M3DGR dataset demonstrate that our method achieves significantly faster processing speed compared to recent state-of-the-art methods while maintaining comparable state estimation accuracy. Our implementation is publicly available at https://github.com/93won/lidar_inertial_odometry.