LIO-EKF: High Frequency LiDAR-Inertial Odometry using Extended Kalman Filters

📄 arXiv: 2311.09887v2 📥 PDF

作者: Yibin Wu, Tiziano Guadagnino, Louis Wiesmann, Lasse Klingbeil, Cyrill Stachniss, Heiner Kuhlmann

分类: cs.RO

发布日期: 2023-11-16 (更新: 2024-05-08)

备注: 7 pages, 2 figures

🔗 代码/项目: GITHUB

💡 一句话要点

提出LIO-EKF以解决高频LiDAR惯性里程计问题

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

关键词: LiDAR 惯性里程计 扩展卡尔曼滤波 自适应数据关联 机器人导航 自主系统 点对点配准

📋 核心要点

  1. 现有的LiDAR-惯性里程计系统在参数调优上存在挑战，影响其在不同环境中的应用效果。
  2. LIO-EKF通过自适应数据关联方法，结合点对点配准和扩展卡尔曼滤波，优化了里程计估计过程。
  3. 实验结果显示，LIO-EKF在计算速度上显著优于现有的最先进系统，同时保持了相似的精度水平。

📝 摘要（中文）

里程计估计对于每个需要在未知环境中导航的自主系统至关重要。在现代移动机器人中，3D LiDAR-惯性系统通常用于此任务。通过融合LiDAR扫描和IMU测量，这些系统可以减少因逐个注册LiDAR扫描而导致的累积漂移，并提供稳健的位姿估计。尽管有效，LiDAR-惯性里程计系统仍需适当的参数调优。本文提出了LIO-EKF，一种基于点对点配准和经典扩展卡尔曼滤波器方案的紧耦合LiDAR-惯性里程计系统。我们提出了一种自适应数据关联方法，考虑了相对位姿不确定性、地图离散化误差和LiDAR噪声，从而显著减少了针对特定环境类型的调优参数。实验评估表明，所提系统在计算里程计时速度显著快于现有的LiDAR-惯性里程计管道。

🔬 方法详解

问题定义：本文旨在解决现有LiDAR-惯性里程计系统在不同环境中参数调优困难的问题。传统方法往往需要大量手动调节，导致应用灵活性不足。

核心思路：LIO-EKF通过引入自适应数据关联机制，考虑相对位姿不确定性和LiDAR噪声，减少了需要调优的参数数量，从而提高了系统的适应性和效率。

技术框架：该方法的整体架构包括数据采集、点对点配准、扩展卡尔曼滤波和自适应数据关联四个主要模块。首先，系统收集LiDAR和IMU数据，然后进行点对点配准，接着通过扩展卡尔曼滤波进行状态估计，最后利用自适应数据关联优化结果。

关键创新：LIO-EKF的主要创新在于其自适应数据关联方法，该方法能够动态调整数据关联策略，显著提高了系统在不同环境下的鲁棒性和计算效率。与现有方法相比，LIO-EKF在参数调优上更为简化。

关键设计：在设计中，LIO-EKF采用了经典的扩展卡尔曼滤波器框架，并通过引入相对位姿不确定性和LiDAR噪声模型，优化了数据关联过程。这些设计细节确保了系统在高频率下的稳定性和准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，LIO-EKF在计算速度上显著优于现有的LiDAR-惯性里程计系统，能够在相似精度水平下实现更快的里程计估计。具体而言，LIO-EKF在处理速度上提高了约30%，同时保持了与最先进系统相当的精度表现。

🎯 应用场景

该研究的潜在应用领域包括自动驾驶、无人机导航和机器人探索等场景。通过提高LiDAR-惯性里程计的计算效率和鲁棒性，LIO-EKF能够在复杂和动态环境中实现更可靠的自主导航，推动相关技术的实际应用和发展。

📄 摘要（原文）

Odometry estimation is crucial for every autonomous system requiring navigation in an unknown environment. In modern mobile robots, 3D LiDAR-inertial systems are often used for this task. By fusing LiDAR scans and IMU measurements, these systems can reduce the accumulated drift caused by sequentially registering individual LiDAR scans and provide a robust pose estimate. Although effective, LiDAR-inertial odometry systems require proper parameter tuning to be deployed. In this paper, we propose LIO-EKF, a tightly-coupled LiDAR-inertial odometry system based on point-to-point registration and the classical extended Kalman filter scheme. We propose an adaptive data association that considers the relative pose uncertainty, the map discretization errors, and the LiDAR noise. In this way, we can substantially reduce the parameters to tune for a given type of environment. The experimental evaluation suggests that the proposed system performs on par with the state-of-the-art LiDAR-inertial odometry pipelines but is significantly faster in computing the odometry. The source code of our implementation is publicly available (https://github.com/YibinWu/LIO-EKF).