GenZ-LIO: Generalizable LiDAR-Inertial Odometry Beyond Indoor--Outdoor Boundaries
作者: Daehan Lee, Hyungtae Lim, Seongjun Kim, Soonbin Rho, Changhyeon Lee, Sanghyun Park, Junwoo Hong, Eunseon Choi, Hyunyoung Jo, Soohee Han
分类: cs.RO
发布日期: 2026-03-17
备注: 19 pages, 11 figures
💡 一句话要点
GenZ-LIO：提出一种可泛化室内外环境的激光雷达惯性里程计框架
🎯 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 室内外环境 自适应体素下采样 混合度量状态更新 体素剪枝 自主导航 机器人定位
📋 核心要点
- 现有LIO方法在室内外环境切换时，由于点云密度变化大，鲁棒性和计算效率会显著降低。
- GenZ-LIO通过PID控制自适应调整体素大小，并结合混合度量状态更新和体素剪枝策略，提升了泛化能力。
- 实验表明，GenZ-LIO在室内、室外及过渡环境中均表现出更强的鲁棒性和更高的计算效率。
📝 摘要（中文）
激光雷达惯性里程计(LIO)能够在各种场景中实现精确的定位和建图，从而支持自主导航。然而，其性能对空间尺度的变化仍然敏感，空间尺度指的是激光雷达扫描中点云范围分布所反映的场景空间范围。密闭的室内和广阔的室外空间之间的转换会导致点云密度的显著变化，这可能会降低鲁棒性和计算效率。为了解决这个问题，我们提出了GenZ-LIO，一个可以泛化到室内和室外环境的LIO框架。GenZ-LIO包含三个关键组件。首先，受到比例-积分-微分(PID)控制器原理的启发，它通过反馈控制自适应地调节体素大小以进行下采样，从而驱动体素化点云数量达到一个尺度感知的设定值，同时实现跨不同场景尺度的稳定和高效处理。其次，我们制定了一种混合度量状态更新，它联合利用点到面和点到点残差来减轻由方向上不足的几何约束引起的激光雷达退化。第三，为了减轻点到点匹配带来的计算负担，我们引入了一种体素剪枝的对应搜索策略，该策略丢弃了没有希望的体素候选者，并减少了不必要的计算。实验结果表明，GenZ-LIO在密闭室内、开放室外和过渡环境中实现了鲁棒的里程计估计和改进的计算效率。我们的代码将在发表后公开。
🔬 方法详解
问题定义：现有激光雷达惯性里程计（LIO）在室内外环境切换时，由于场景空间尺度的变化导致点云密度差异大，影响了定位精度和计算效率。尤其是在几何约束不足的情况下，容易出现退化现象，导致定位失败。现有的方法难以兼顾室内外环境的鲁棒性和效率。
核心思路：GenZ-LIO的核心思路是自适应地调整体素大小，并结合混合度量状态更新和体素剪枝策略，以应对不同场景尺度的变化。通过PID控制器动态调整体素大小，保证点云数量在一个合理的范围内，从而提高鲁棒性和效率。同时，利用点到面和点到点残差，增强几何约束，缓解退化问题。
技术框架：GenZ-LIO框架主要包含三个模块：自适应体素下采样、混合度量状态更新和体素剪枝的对应搜索。首先，利用PID控制器根据当前场景的点云密度自适应地调整体素大小，进行下采样。然后，采用混合度量状态更新，同时利用点到面和点到点残差进行优化。最后，通过体素剪枝策略，减少不必要的点云匹配计算，提高计算效率。
关键创新：GenZ-LIO的关键创新在于：1) 提出了一种基于PID控制的自适应体素下采样方法，能够根据场景尺度动态调整体素大小，保证点云数量的稳定；2) 提出了一种混合度量状态更新方法，结合点到面和点到点残差，增强了几何约束，缓解了退化问题；3) 提出了一种体素剪枝的对应搜索策略，减少了不必要的计算，提高了计算效率。
关键设计：PID控制器的参数需要根据具体激光雷达和应用场景进行调整，以达到最佳的体素大小控制效果。混合度量状态更新中，点到面和点到点残差的权重需要根据场景的几何特征进行调整。体素剪枝策略中，需要设置合适的阈值来判断哪些体素可以被丢弃，以避免丢失重要的几何信息。
🖼️ 关键图片
📊 实验亮点
实验结果表明，GenZ-LIO在室内、室外和过渡环境中均取得了优异的性能。相较于现有方法，GenZ-LIO在定位精度和计算效率方面均有显著提升。具体数据将在论文发表后公开。
🎯 应用场景
GenZ-LIO适用于需要在室内外环境之间切换的自主导航系统，例如自动驾驶汽车、服务机器人、无人机等。该方法可以提高这些系统在复杂环境中的定位精度和鲁棒性，使其能够更好地适应各种场景，具有重要的实际应用价值和广阔的应用前景。
📄 摘要（原文）
Light detection and ranging (LiDAR)-inertial odometry (LIO) enables accurate localization and mapping for autonomous navigation in various scenes. However, its performance remains sensitive to variations in spatial scale, which refers to the spatial extent of the scene reflected in the distribution of point ranges in a LiDAR scan. Transitions between confined indoor and expansive outdoor spaces induce substantial variations in point density, which may reduce robustness and computational efficiency. To address this issue, we propose GenZ-LIO, a LIO framework generalizable across both indoor and outdoor environments. GenZ-LIO comprises three key components. First, inspired by the principle of the proportional-integral-derivative (PID) controller, it adaptively regulates the voxel size for downsampling via feedback control, driving the voxelized point count toward a scale-informed setpoint while enabling stable and efficient processing across varying scene scales. Second, we formulate a hybrid-metric state update that jointly leverages point-to-plane and point-to-point residuals to mitigate LiDAR degeneracy arising from directionally insufficient geometric constraints. Third, to alleviate the computational burden introduced by point-to-point matching, we introduce a voxel-pruned correspondence search strategy that discards non-promising voxel candidates and reduces unnecessary computations. Experimental results demonstrate that GenZ-LIO achieves robust odometry estimation and improved computational efficiency across confined indoor, open outdoor, and transitional environments. Our code will be made publicly available upon publication.