FUSE: A Framework for Unified State Estimation in Robotic SLAM Systems

📄 arXiv: 2605.18047v1 📥 PDF

作者: Wei Wu, Honglin Chen, Wenhan Cao, Yao Lyu, Jiangtao Li, Tao Zhang, Shengbo Eben Li

分类: cs.RO

发布日期: 2026-05-18

💡 一句话要点

FUSE：用于机器人SLAM系统中统一状态估计的框架

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

关键词: SLAM 状态估计 机器人 LiDAR-IMU 框架

📋 核心要点

  1. 现有紧耦合SLAM方法在混合速率传感下，将时间处理、几何关联、估计器和地图更新策略紧密绑定，难以灵活调整。
  2. FUSE框架通过统一的接口，将状态估计过程解耦为观测摄取、传播、更新和状态查询，实现模块化设计。
  3. LiDAR-IMU实例验证了FUSE在混合速率传感和方向退化下的有效性，并在环形走廊序列上实现了优于Faster-LIO的精度。

📝 摘要（中文）

本文提出FUSE，一个用于机器人SLAM系统中统一状态估计的框架。在混合速率传感下，紧耦合SLAM通常将时间处理、局部几何关联、估计器公式和地图更新策略绑定到特定方法的设计中。这种绑定使得在不重新设计状态估计过程的其余部分的情况下，难以改变一个设计选择。FUSE围绕观测摄取、传播、更新和状态查询组织状态估计接口，并使用该接口分离时间处理、残差就绪的局部几何关联、估计器公式和地图更新策略。开发了一个LiDAR-IMU实例来检查该框架在混合速率传感和方向退化下的性能，其中高速率惯性传播、LiDAR触发的几何更新、残差筛选和退化感知校正通过相同的接口边界运行。在一个418米的环形走廊序列上，该实例报告了1.626米的端到端轨迹误差，与该序列上误差最低的基线Faster-LIO相比，相对误差减少了7.9%。结果表明，FUSE是一个用于组织状态估计设计选择的框架，并展示了所评估的实例如何正则化沿弱可观测方向的更新。

🔬 方法详解

问题定义：现有紧耦合SLAM方法在处理混合速率传感器数据时，通常将时间处理、局部几何关联、估计器公式和地图更新策略紧密耦合在一起。这种紧耦合的设计使得难以独立地修改或优化某个模块，例如，改变估计器类型可能需要重新设计整个状态估计流程。这限制了SLAM系统的灵活性和可扩展性。

核心思路：FUSE的核心思路是将状态估计过程解耦为几个明确定义的模块，并通过统一的接口进行通信。这些模块包括观测摄取、状态传播、状态更新和状态查询。通过这种解耦，可以独立地设计和优化每个模块，而无需担心与其他模块的耦合。这种模块化的设计提高了SLAM系统的灵活性和可维护性。

技术框架：FUSE框架包含以下主要模块：1) 观测摄取：负责接收来自不同传感器的观测数据，并将其转换为统一的格式。2) 状态传播：根据运动模型（例如，IMU预积分）预测当前时刻的状态。3) 状态更新：利用观测数据对状态进行校正，通常使用非线性优化方法。4) 状态查询：提供对当前状态的访问接口。这些模块通过统一的接口进行通信，例如，状态更新模块可以从观测摄取模块获取观测数据，并从状态传播模块获取先验状态。

关键创新：FUSE的关键创新在于其统一的状态估计接口，该接口将状态估计过程解耦为几个独立的模块。这种解耦使得可以独立地设计和优化每个模块，而无需担心与其他模块的耦合。此外，FUSE还提供了一种灵活的框架，可以轻松地集成不同的传感器和估计器。

关键设计：FUSE框架的关键设计包括：1) 统一的观测数据格式，使得可以轻松地集成不同的传感器。2) 灵活的状态更新模块，可以支持不同的估计器（例如，EKF、iSAM2）。3) 可配置的地图更新策略，可以根据不同的应用场景进行调整。在LiDAR-IMU实例中，使用了IMU预积分进行状态传播，并使用基于几何残差的非线性优化进行状态更新。此外，还采用了残差筛选和退化感知校正来提高系统的鲁棒性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

FUSE框架在418米的环形走廊序列上进行了评估，并与Faster-LIO进行了比较。实验结果表明，FUSE实现了1.626米的端到端轨迹误差，与Faster-LIO相比，相对误差减少了7.9%。这表明FUSE框架可以有效地提高SLAM系统的精度，尤其是在存在方向退化的情况下。

🎯 应用场景

FUSE框架可应用于各种机器人SLAM系统，尤其是在需要集成多种传感器和灵活调整状态估计策略的场景中。例如，自动驾驶、无人机导航、移动机器人等。该框架的模块化设计使得可以轻松地集成新的传感器和估计器，从而适应不同的应用需求。此外，FUSE还可以用于研究和开发新的SLAM算法。

📄 摘要（原文）

Tightly coupled SLAM formulations under mixed-rate sensing often bind temporal processing, local geometric association, estimator formulation, and map-update policy into method-specific designs. Such binding makes it difficult to vary one design choice without re-engineering the rest of the state-estimation process. This paper presents FUSE, a framework for unified state estimation in robotic SLAM systems. FUSE organizes the state-estimation interface around observation ingestion, propagation, update, and state query, and uses this interface to separate temporal processing, residual-ready local geometric association, estimator formulation, and map-update policy. A LiDAR--IMU instantiation is developed to examine the framework under mixed-rate sensing and directional degeneracy, where high-rate inertial propagation, LiDAR-triggered geometric update, residual screening, and degeneracy-aware correction operate through the same interface boundaries. On a 418 m loop-corridor sequence, the instantiation reports a 1.626~m end-to-end trajectory error, corresponding to a 7.9% relative error reduction compared with Faster-LIO, the lowest-error baseline on this sequence. The results support FUSE as a framework for organizing state-estimation design choices and show how the evaluated instantiation regularizes updates along weakly observable directions.