SR-LIVO: LiDAR-Inertial-Visual Odometry and Mapping with Sweep Reconstruction

📄 arXiv: 2312.16800v1 📥 PDF

作者: Zikang Yuan, Jie Deng, Ruiye Ming, Fengtian Lang, Xin Yang

分类: cs.CV

发布日期: 2023-12-28

备注: 7 pages, 6 figures, submitted to IEEE RA-L

💡 一句话要点

SR-LIVO：基于扫描重建的激光雷达-惯性-视觉里程计与建图

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 激光雷达惯性视觉里程计 LIV-SLAM 扫描重建 位姿估计 三维建图 机器人导航 自动驾驶

📋 核心要点

  1. 现有LIV-SLAM系统依赖VIO进行颜色渲染，但VIO易受光度变化、弱纹理和运动模糊的影响。
  2. SR-LIVO通过扫描重建将LIO与视觉信息对齐，利用LIO的鲁棒性提升整体位姿估计的精度。
  3. 实验表明，SR-LIVO在位姿精度和时间效率上优于现有SOTA系统，且LIO的位姿估计优于VIO。

📝 摘要（中文）

本文提出了一种先进的激光雷达-惯性-视觉里程计与建图系统SR-LIVO，该系统采用扫描重建技术将重建的扫描与图像时间戳对齐。与现有LIV-SLAM系统主要利用LIO模块进行结构重建、VIO模块进行颜色渲染不同，SR-LIVO利用更鲁棒的LIO模块精确确定所有成像时刻的状态，从而提高位姿精度和处理效率。实验结果表明，SR-LIVO在位姿精度和时间效率方面均优于现有的最先进的LIV-SLAM系统。此外，基于LIO的位姿估计比基于VIO的位姿估计更准确。该论文已开源代码，以促进该领域的发展。

🔬 方法详解

问题定义：现有LIV-SLAM系统通常依赖视觉惯性里程计（VIO）进行纹理渲染和位姿估计，但VIO在光照变化剧烈、纹理信息不足或存在运动模糊时，精度会显著下降。因此，如何在视觉信息不佳的情况下，保证LIV-SLAM系统的鲁棒性和精度是一个关键问题。

核心思路：SR-LIVO的核心思路是利用激光雷达惯性里程计（LIO）的鲁棒性来辅助视觉信息的不足。通过扫描重建技术，将激光雷达扫描与图像时间戳对齐，从而使LIO能够精确地确定每个图像帧对应的位姿。这样，即使视觉信息质量不高，也能保证位姿估计的精度。

技术框架：SR-LIVO系统主要包含以下几个模块：1) 激光雷达惯性里程计（LIO）：用于进行初始的位姿估计和环境结构重建。2) 图像采集模块：用于获取图像数据。3) 扫描重建模块：将LIO重建的激光雷达扫描与图像时间戳对齐，建立激光雷达点云与图像之间的对应关系。4) 位姿优化模块：利用对齐后的激光雷达点云和图像信息，对位姿进行优化，提高位姿精度。

关键创新：SR-LIVO的关键创新在于引入了扫描重建技术，将激光雷达扫描与图像时间戳对齐。这使得LIO能够为每个图像帧提供准确的位姿估计，从而克服了VIO在视觉信息不佳时的局限性。与传统的LIV-SLAM系统相比，SR-LIVO更加依赖于LIO的鲁棒性，从而提高了整体系统的稳定性和精度。

关键设计：SR-LIVO的关键设计包括：1) 精确的激光雷达与相机标定，保证点云与图像的准确对齐。2) 高效的扫描重建算法，实现快速的点云与图像时间戳匹配。3) 鲁棒的位姿优化算法，融合激光雷达和视觉信息，提高位姿精度。具体的损失函数和参数设置在论文中有详细描述，但此处未给出具体数值。

📊 实验亮点

实验结果表明，SR-LIVO在两个公开数据集上均优于现有的SOTA LIV-SLAM系统，在位姿精度和时间效率方面均有提升。更重要的是，实验证明了基于LIO的位姿估计比基于VIO的位姿估计更准确，尤其是在视觉信息质量不高的情况下。具体的数据指标和对比结果可在论文中查阅。

🎯 应用场景

SR-LIVO可应用于自动驾驶、机器人导航、三维地图重建等领域。在光照条件差、纹理信息匮乏的环境中，SR-LIVO能够提供更准确、更鲁棒的定位和建图结果，具有重要的实际应用价值。未来，该技术有望进一步应用于复杂环境下的自主导航和智能感知。

📄 摘要（原文）

Existing LiDAR-inertial-visual odometry and mapping (LIV-SLAM) systems mainly utilize the LiDAR-inertial odometry (LIO) module for structure reconstruction and the visual-inertial odometry (VIO) module for color rendering. However, the accuracy of VIO is often compromised by photometric changes, weak textures and motion blur, unlike the more robust LIO. This paper introduces SR-LIVO, an advanced and novel LIV-SLAM system employing sweep reconstruction to align reconstructed sweeps with image timestamps. This allows the LIO module to accurately determine states at all imaging moments, enhancing pose accuracy and processing efficiency. Experimental results on two public datasets demonstrate that: 1) our SRLIVO outperforms existing state-of-the-art LIV-SLAM systems in both pose accuracy and time efficiency; 2) our LIO-based pose estimation prove more accurate than VIO-based ones in several mainstream LIV-SLAM systems (including ours). We have released our source code to contribute to the community development in this field.