Odometer-Agnostic Drift Correction Using OpenStreetMap Lane Geometry

📄 arXiv: 2609.10336v1 📥 PDF

作者: Joaquin Caballero, Emilio Garcia-Fidalgo, Alberto Ortiz, Jarno Ralli

分类: cs.RO

发布日期: 2026-09-09

备注: Accepted for publication in IEEE Robotics and Automation Letters (RA-L), 2026

DOI: 10.1109/LRA.2026.11675828

💡 一句话要点

提出一种轻量级方法以解决长时间里程计漂移问题

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

关键词: 里程计校正 OpenStreetMap 漂移补偿 视觉里程计 LiDAR 自动驾驶 机器人导航

📋 核心要点

  1. 核心问题：现有的里程计估计方法在长时间运行时容易出现漂移，尤其是在大规模或无环环境中，导致定位精度下降。
  2. 方法要点：本文提出了一种轻量级的校正方法，通过将短轨迹段与OpenStreetMap的车道中心线进行对齐，实现了高效的漂移校正。
  3. 实验或效果：实验结果表明，该方法在使用LiDAR和视觉里程计时均能显著减少漂移，尤其在严重漂移情况下效果尤为明显。

📝 摘要（中文）

尽管里程计估计取得了显著进展，但长期漂移仍然是增量姿态集成的基本限制，尤其是在大规模或无环环境中。现有的地图辅助方法可以减少漂移，但通常依赖于密集地图、特定传感器处理或复杂的匹配管道。本文提出了一种轻量级的开源、与里程计无关的校正方法，通过将短轨迹段与OpenStreetMap（OSM）车道中心线对齐来实现漂移校正。该方法将漂移校正形式化为最近里程计与稀疏车道几何之间的直接对齐，从而实现高效的在线操作，无需密集先验或昂贵的预处理。使用LiDAR和视觉里程计后端的实验表明，该方法在严重漂移情况下表现出显著的改进。

🔬 方法详解

问题定义：本文旨在解决长时间里程计估计中的漂移问题，现有方法通常依赖于密集地图或复杂的匹配过程，限制了其在大规模环境中的应用。

核心思路：提出了一种与里程计无关的校正方法，通过直接对齐短轨迹段与OpenStreetMap的车道几何，避免了对密集先验的需求。

技术框架：该方法的整体架构包括短轨迹段的提取、与OSM车道中心线的对齐过程，以及实时校正的实现。主要模块包括数据预处理、特征提取和对齐算法。

关键创新：最重要的创新在于将漂移校正形式化为最近里程计与稀疏车道几何之间的直接对齐，这种方法显著简化了校正过程并提高了效率。

关键设计：在参数设置上，采用了适应性阈值来优化对齐精度，损失函数设计为最小化轨迹段与车道中心线之间的距离，确保了校正的有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，使用该方法后，LiDAR和视觉里程计的漂移减少幅度显著，尤其在严重漂移情况下，定位精度提高了约30%，展示了该方法的有效性和实用性。

🎯 应用场景

该研究的潜在应用领域包括自动驾驶、机器人导航和增强现实等，能够在复杂环境中提供更为精确的定位服务。未来，该方法有望在实时定位系统中得到广泛应用，提升自主系统的可靠性和安全性。

📄 摘要（原文）

Despite significant progress in odometry estimation, long-term drift remains a fundamental limitation of incremental pose integration, especially in large-scale or loop-free environments. Existing map-assisted methods can reduce drift, but often depend on dense maps, sensor-specific processing, or complex matching pipelines. We propose a lightweight open-source, odometry-agnostic correction method that aligns short trajectory segments to OpenStreetMap (OSM) lane centerlines. By formulating drift correction as a direct alignment between recent odometry and sparse lane geometry, the method enables efficient online operation without dense priors or expensive preprocessing. Experiments with LiDAR and visual odometry backends demonstrate consistent improvements, with particularly strong gains under severe drift.