LIN-SLAM: Lightweight LiDAR--Inertial Neural SLAM for Real-Time Onboard Navigation

📄 arXiv: 2610.21199v1 📥 PDF

作者: Shiqi Che, Yijie Liu, Shuo Wang, Wenxin Liu

分类: cs.RO

发布日期: 2026-10-15

备注: 8 pages, 4 figures, submitted to Robotics and Automation Letters (RA-L)

💡 一句话要点

提出LIN-SLAM以解决实时导航中的SLAM精度与效率问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: SLAM LiDAR 神经网络 实时导航 移动机器人 地图构建 状态估计

📋 核心要点

  1. 现有的LiDAR-惯性SLAM方法在实时性和地图表示方面存在不足，无法满足高精度导航需求。
  2. LIN-SLAM通过结合几何LiDAR-惯性估计与神经隐式方法，实现了高效的状态估计与地图构建。
  3. 实验表明，LIN-SLAM在多个数据集上表现出色，轨迹误差最低且运行时间显著减少，具备实时应用能力。

📝 摘要（中文）

几何光学探测与测距（LiDAR）-惯性同时定位与地图构建（SLAM）提供了高效的状态估计，但缺乏神经隐式SLAM的连续地图表示和全局优化能力，而神经隐式方法计算开销较大。本文提出轻量级LiDAR-惯性神经SLAM（LIN-SLAM），该混合方法将高频率的几何LiDAR-惯性估计与神经隐式跟踪、持续映射和全局优化相结合，实现了准确的实时SLAM。实验结果表明，LIN-SLAM在多个数据集上实现了最低的平均绝对轨迹误差（ATE），并显著减少了运行时间。LIN-SLAM在一台配备NVIDIA Jetson Orin NX和16通道LiDAR的Unitree Go2上，能够在复杂的重复走廊环境中，持续进行实时定位和神经映射，最终闭合误差仅为0.141米。

🔬 方法详解

问题定义：本文旨在解决现有LiDAR-惯性SLAM方法在实时性和地图表示方面的不足，尤其是在复杂环境中的导航精度问题。现有方法往往无法同时满足高效的状态估计和全局优化需求。

核心思路：LIN-SLAM的核心思想是将高频率的几何LiDAR-惯性估计与神经隐式跟踪相结合，利用神经网络的优势实现持续映射和全局优化，从而提高SLAM的精度和效率。

技术框架：LIN-SLAM的整体架构包括几个主要模块：首先是高频率的LiDAR-惯性状态估计模块，其次是神经隐式跟踪模块，最后是持续映射和全局优化模块。各模块之间通过高效的数据传输和处理机制进行协同工作。

关键创新：LIN-SLAM的最大创新在于首次将神经隐式方法与LiDAR-惯性SLAM结合，实现了在移动机器人平台上的实时在线操作，同时保持了先进的定位精度。这一设计突破了传统方法的局限。

关键设计：在设计中，LIN-SLAM采用了优化的网络结构和损失函数，以提高模型的训练效率和实时性能。此外，参数设置经过精细调整，以确保在不同环境下的稳定性和准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在实验中，LIN-SLAM在多个数据集上表现出色，达到了最低的平均绝对轨迹误差（ATE），并且在运行时间上显著优于现有的神经隐式SLAM方法。在一条1.47公里的室内轨迹中，LIN-SLAM的最终闭合误差仅为0.141米，展示了其在复杂环境中的强大能力。

🎯 应用场景

LIN-SLAM具有广泛的应用潜力，特别是在移动机器人、自动驾驶和无人机导航等领域。其高效的实时定位和地图构建能力，可以显著提升自主导航系统的性能，推动智能交通和智能制造的发展。未来，LIN-SLAM的技术可以进一步扩展到更复杂的环境和多传感器融合应用中。

📄 摘要（原文）

Geometric light detection and ranging (LiDAR)--inertial simultaneous localization and mapping (SLAM) provides efficient state estimation but lacks the continuous map representation and global refinement capabilities of neural implicit SLAM, while neural implicit methods remain computationally expensive. We propose Lightweight LiDAR--Inertial Neural SLAM (LIN-SLAM), a hybrid method that couples high-rate geometric LiDAR--inertial estimation with neural implicit tracking, continual mapping, and global refinement for accurate real-time onboard SLAM. Experiments on twelve representative sequences from three datasets spanning 32-, 64-, and 128-channel LiDAR configurations show that LIN-SLAM achieves the lowest overall mean absolute trajectory error (ATE) among the evaluated state-of-the-art geometric and neural implicit methods, while substantially reducing runtime compared with existing neural implicit SLAM methods. On a Unitree Go2 equipped with an NVIDIA Jetson Orin NX and a 16-channel LiDAR, LIN-SLAM sustains real-time localization and neural mapping over a 1.47-km indoor trajectory through challenging repetitive corridor environments, with an endpoint closure error of only 0.141~m. To the best of our knowledge, LIN-SLAM is the first LiDAR--inertial SLAM system with a neural implicit backend to achieve real-time online operation on a mobile robotic platform while maintaining state-of-the-art localization accuracy. The code will be released upon acceptance.