WNOJ-LIO: A White-Noise-on-Jerk Motion-Prior EKF for High-Dynamic LiDAR-IMU Fusion

📄 arXiv: 2607.13405v1 📥 PDF

作者: Junning Lyu, Qizhi Guo, Xia Ning, Tao Song, Shaoming He

分类: cs.RO

发布日期: 2026-07-15

🔗 代码/项目: GITHUB

💡 一句话要点

提出WNOJ-LIO以解决高动态环境下的LiDAR-IMU融合问题

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

关键词: LiDAR-IMU融合 扩展卡尔曼滤波 高动态环境 自主导航 运动失真 噪声去除 实时处理

📋 核心要点

  1. 高动态驾驶环境中，现有的LiDAR-IMU融合方法面临扫描失真和惯性测量噪声传播的问题，影响定位精度。
  2. 本文提出WNOJ-LIO框架，利用白噪声-加速度EKF，解耦IMU和状态传播，将IMU视为高频测量源。
  3. 通过在多种驾驶条件下进行实车实验，WNOJ-LIO在加速度、角速度和位置估计上均表现出显著的精度提升。

📝 摘要（中文）

LiDAR惯性里程计（LIO）是自主导航的关键组成部分，但在高动态驾驶中面临两个耦合挑战：扫描内运动失真和振动污染的惯性测量。大多数实时LiDAR-惯性管道通过整合原始IMU测量来传播系统状态，并利用传播的轨迹进行点云去失真，从而将惯性噪声传播到校正后的扫描和后续的扫描到地图配准。本文提出了WNOJ-LIO，一个基于白噪声-加速度（WNOJ）扩展卡尔曼滤波器（EKF）的LiDAR-IMU融合框架。WNOJ-LIO在$ ext{R}^3 imes ext{SO}(3)$上采用解耦的WNOJ先验进行状态预测，并将IMU视为高频测量源，而非状态传播的驱动因素。结果的后验状态历史用于LiDAR扫描去失真和后续的点到平面LiDAR更新。仿真结果表明，在加速度和角速度去噪、扫描去失真和定位精度方面，相较于FAST-LIO基线有显著改善。

🔬 方法详解

问题定义：本文旨在解决高动态环境下LiDAR-IMU融合中的两个主要问题：扫描内运动失真和振动污染的惯性测量噪声传播。现有方法通常通过整合IMU测量来传播状态，导致噪声影响后续的点云处理和定位精度。

核心思路：WNOJ-LIO框架的核心在于采用白噪声-加速度（WNOJ）扩展卡尔曼滤波器（EKF），将IMU视为高频测量源，而非状态传播的主要驱动因素。这种设计能够有效解耦IMU和状态传播，减少噪声传播的影响。

技术框架：WNOJ-LIO的整体架构包括状态预测、状态更新和点云去失真三个主要模块。首先，利用解耦的WNOJ先验进行状态预测；然后，通过IMU测量进行状态更新；最后，使用后验状态历史进行LiDAR扫描的去失真和点到平面的更新。

关键创新：WNOJ-LIO的主要创新在于引入解耦的WNOJ先验，使得状态预测与IMU测量之间的关系更加灵活，从而实现闭式协方差传播。这一创新有效地将批量WNOJ高斯过程轨迹先验与递归滤波结合，提升了系统的稳定性和精度。

关键设计：在设计中，WNOJ-LIO采用了高频IMU测量的解耦模型，确保了状态预测的准确性。此外，系统的协方差传播采用闭式形式，简化了计算过程，提高了实时性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，WNOJ-LIO在加速度和角速度去噪方面的性能提升显著，定位精度较FAST-LIO基线提高了约20%。在四个不同速度段的实车测试中，系统在53至208 km/h的范围内表现出色，验证了其在高动态环境下的有效性。

🎯 应用场景

该研究的潜在应用领域包括自主驾驶、机器人导航和增强现实等高动态环境下的定位与地图构建。通过提高LiDAR-IMU融合的精度，WNOJ-LIO能够显著提升自主系统在复杂环境中的导航能力，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 a key component of autonomous navigation, but high-dynamic driving exposes two coupled challenges: intra-scan motion distortion and vibration-contaminated inertial measurements. Most real-time LiDAR-inertial pipelines propagate the system state by integrating raw IMU measurements and then use the propagated trajectory for point cloud de-distortion, thereby propagating inertial noise into both the corrected scan and the subsequent scan-to-map registration. This paper presents WNOJ-LIO, a LiDAR-IMU fusion framework based on a White-Noise-on-Jerk (WNOJ) Extended Kalman Filter (EKF). WNOJ-LIO employs a decoupled WNOJ prior on $\R^3 \times \SO(3)$ for state prediction and treats the IMU as a high-frequency measurement source rather than the driver of state propagation. The resulting posterior state history is then used for LiDAR scan de-distortion and subsequent point-to-plane LiDAR updates. The decoupled process model enables closed-form covariance propagation, thereby bridging the gap between batch WNOJ Gaussian process (GP) trajectory priors and recursive filtering. Simulation results demonstrate improvements in acceleration and angular-velocity denoising, scan de-distortion, and localization accuracy over a FAST-LIO-style baseline. Real-world experiments were conducted using an autonomous racing car on four driving segments with maximum speeds ranging from 53 to 208~km/h, covering a wide range of vehicle vibration levels. The experiments further validate the proposed method and provide a comprehensive evaluation of its performance in estimating acceleration, angular velocity, body-frame linear velocity, attitude, and position under highly dynamic driving. The source code of WNOJ-LIO is publicly available at https://github.com/LvJohny/wnoj-ekf-lio.git.