ALIVE-LIO: Degeneracy-Aware Learning of Inertial Velocity for Enhancing ESKF-Based LiDAR-Inertial Odometry

📄 arXiv: 2604.02706 📥 PDF

作者: Seongjun Kim, Daehan Lee, Junwoo Hong, Sanghyun Park, Hyunyoung Jo, Soohee Han

分类: cs.RO

发布日期: 2026-04-06

💡 一句话要点

ALIVE-LIO：基于学习的退化感知惯性速度估计，增强ESKF的激光雷达惯性里程计

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)

关键词: 激光雷达惯性里程计 特征退化 误差状态卡尔曼滤波器 深度学习 速度估计

📋 核心要点

  1. 激光雷达惯性里程计在退化环境中，如长廊或单面墙场景，易出现性能下降，这是由于激光雷达观测信息不足导致的。
  2. ALIVE-LIO的核心思想是利用神经网络学习到的速度信息，在退化发生时辅助ESKF进行状态估计，从而提升系统在退化环境下的鲁棒性。
  3. 实验结果表明，ALIVE-LIO在退化环境中显著降低了位姿漂移，并在多个数据集上取得了优于现有方法的性能。

📝 摘要（中文）

本文提出了一种名为ALIVE-LIO的退化感知激光雷达惯性里程计框架，旨在解决激光雷达惯性里程计（LIO）在退化环境（如长走廊或窄视野的单面墙场景）中性能下降的问题。ALIVE-LIO的核心在于将深度神经网络策略性地集成到经典的误差状态卡尔曼滤波器（ESKF）中，以补偿激光雷达观测信息的缺失。具体而言，ALIVE-LIO使用神经网络预测机体系下的速度，并在检测到退化时选择性地将该预测融合到ESKF中，从而沿退化方向提供有效的状态更新。这种设计使得ALIVE-LIO能够利用ESKF的概率结构和一致性，同时受益于基于学习的运动估计。在公开数据集和我们自己收集的数据集上的实验结果表明，ALIVE-LIO显著减少了在退化环境中的位姿漂移，并在32个序列中的22个序列中取得了最具竞争力的结果。ALIVE-LIO的实现将公开提供。

🔬 方法详解

问题定义：激光雷达惯性里程计（LIO）在特征退化环境中，例如长走廊或只有单面墙的场景，由于激光雷达提供的几何约束不足，导致位姿估计精度显著下降，产生较大的漂移。现有的LIO方法难以有效应对这类退化环境，鲁棒性较差。

核心思路：ALIVE-LIO的核心思路是利用深度学习网络学习到的先验知识，预测载体的速度信息，并在激光雷达观测退化时，将该速度信息融合到基于ESKF的LIO框架中，从而为ESKF提供额外的运动约束，抑制漂移。这种方法结合了ESKF的概率一致性和学习方法的泛化能力。

技术框架：ALIVE-LIO的整体框架仍然是基于ESKF的LIO系统。主要包含以下几个模块：1) 激光雷达特征提取与匹配；2) IMU预积分；3) 退化检测模块，用于判断当前环境是否处于退化状态；4) 神经网络速度预测模块，用于预测载体的速度；5) ESKF状态估计与更新模块，在退化发生时，将神经网络预测的速度信息融合到ESKF中进行状态更新。

关键创新：ALIVE-LIO的关键创新在于将深度学习的速度预测模块与传统的ESKF框架相结合，并根据退化检测结果自适应地融合学习到的信息。与传统的LIO方法相比，ALIVE-LIO能够利用学习到的先验知识，在激光雷达观测不足时提供额外的约束，从而提高系统在退化环境下的鲁棒性。与纯粹基于学习的LIO方法相比，ALIVE-LIO保留了ESKF的概率一致性，避免了完全依赖学习带来的不确定性。

关键设计：ALIVE-LIO的关键设计包括：1) 退化检测模块的设计，需要准确判断当前环境是否处于退化状态，以决定是否融合神经网络的预测结果；2) 神经网络的结构和训练方式，需要保证网络能够准确预测载体的速度，并具有一定的泛化能力；3) 速度信息融合的方式，需要合理设置融合的权重，以平衡激光雷达观测和神经网络预测的贡献。

📊 实验亮点

ALIVE-LIO在公开数据集和作者自采数据集上进行了评估，实验结果表明，ALIVE-LIO在退化环境中显著降低了位姿漂移。在32个序列中，ALIVE-LIO在22个序列中取得了最具竞争力的结果，证明了其在退化环境下的优越性能。相较于其他LIO方法，ALIVE-LIO能够更有效地抑制漂移，提供更准确的位姿估计。

🎯 应用场景

ALIVE-LIO在机器人导航、自动驾驶、无人机等领域具有广泛的应用前景。尤其是在室内环境、隧道、矿井等特征退化场景下，ALIVE-LIO能够提供更准确、更鲁棒的定位和建图能力。该研究有助于提升机器人在复杂环境下的自主导航能力，并为相关应用提供更可靠的基础。

📄 摘要（原文）

Odometry estimation using light detection and ranging (LiDAR) and an inertial measurement unit (IMU), known as LiDAR-inertial odometry (LIO), often suffers from performance degradation in degenerate environments, such as long corridors or single-wall scenarios with narrow field-of-view LiDAR. To address this limitation, we propose ALIVE-LIO, a degeneracy-aware LiDAR-inertial odometry framework that explicitly enhances state estimation in degenerate directions. The key contribution of ALIVE-LIO is the strategic integration of a deep neural network into a classical error-state Kalman filter (ESKF) to compensate for the loss of LiDAR observability. Specifically, ALIVE-LIO employs a neural network to predict the body-frame velocity and selectively fuses this prediction into the ESKF only when degeneracy is detected, providing effective state updates along degenerate directions. This design enables ALIVE-LIO to utilize the probabilistic structure and consistency of the ESKF while benefiting from learning-based motion estimation. The proposed method was evaluated on publicly available datasets exhibiting degeneracy, as well as on our own collected data. Experimental results demonstrate that ALIVE-LIO substantially reduces pose drift in degenerate environments, yielding the most competitive results in 22 out of 32 sequences. The implementation of ALIVE-LIO will be publicly available.