HCTO: Optimality-Aware LiDAR Inertial Odometry with Hybrid Continuous Time Optimization for Compact Wearable Mapping System

📄 arXiv: 2403.14173v1 📥 PDF

作者: Jianping Li, Shenghai Yuan, Muqing Cao, Thien-Minh Nguyen, Kun Cao, Lihua Xie

分类: cs.RO

发布日期: 2024-03-21

🔗 代码/项目: GITHUB

💡 一句话要点

提出HCTO以解决低成本可穿戴系统中的里程计漂移问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)

关键词: 激光雷达 惯性里程计 可穿戴系统 混合优化 实时映射 运动模式识别 鲁棒性 点对应选择

📋 核心要点

  1. 现有的激光雷达惯性里程计方法在低成本可穿戴系统中容易受到人类运动引起的振动和点云特征分布不均的影响，导致里程计漂移。
  2. 本文提出了一种基于混合连续时间优化的激光雷达惯性里程计方法，通过分析IMU数据识别运动模式，构建混合IMU因子以增强鲁棒性。
  3. 实验结果显示，HCTO在头戴式可穿戴映射系统数据集上显著优于现有最先进的方法，提升了实时性能和里程计精度。

📝 摘要（中文）

紧凑型可穿戴映射系统（WMS）因其在复杂环境中的便利性而受到广泛关注，尤其是在3D结构检查和机器人“最后一公里配送”中。然而，现有的激光雷达惯性里程计（LIO）方法在低成本WMS上应用时，常因人类运动引起的振动和点云特征的不均匀分布而导致快速漂移。为了解决这些问题，本文提出了一种基于混合连续时间优化（HCTO）的新型LIO，考虑了激光雷达对应关系的最优性。HCTO通过分析原始IMU测量数据识别出人类运动模式，并根据不同的运动状态构建混合IMU因子，从而提高了对振动噪声的鲁棒性和准确性。实验结果表明，该系统在头戴式WMS数据集上表现出显著的优势。

🔬 方法详解

问题定义：本文旨在解决低成本可穿戴映射系统中激光雷达惯性里程计漂移的问题。现有方法在复杂环境中易受人类运动引起的振动和点云特征分布不均的影响，导致里程计精度下降。

核心思路：提出的HCTO方法通过分析IMU测量数据，识别不同的人类运动模式（高频、低频和匀速运动），并根据这些模式构建混合IMU因子，从而提高系统对振动噪声的鲁棒性和准确性。

技术框架：HCTO的整体架构包括数据预处理、运动模式识别、混合IMU因子构建和最优点对应选择等模块。首先，系统分析IMU数据以识别运动状态，然后根据状态构建相应的IMU因子，最后选择最佳点对应以实现实时性能和更高的里程计精度。

关键创新：HCTO的主要创新在于其混合连续时间优化方法，能够有效识别和利用人类运动模式，从而显著提高了对振动噪声的适应能力，与传统方法相比具有本质上的区别。

关键设计：在设计中，HCTO采用了混合IMU因子的构建策略，结合不同运动状态的特征，优化了点对应选择的过程，确保了实时性和准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，HCTO在头戴式可穿戴映射系统数据集上实现了显著的性能提升，相较于现有最先进方法，里程计精度提高了XX%，实时性能也得到了显著改善，具体数据可参考项目页面。

🎯 应用场景

该研究的潜在应用领域包括机器人导航、增强现实和虚拟现实等场景，尤其是在复杂环境中的实时映射和定位。通过提高可穿戴系统的鲁棒性和精度，HCTO有助于推动相关技术的发展，提升用户体验和应用效果。

📄 摘要（原文）

Compact wearable mapping system (WMS) has gained significant attention due to their convenience in various applications. Specifically, it provides an efficient way to collect prior maps for 3D structure inspection and robot-based "last-mile delivery" in complex environments. However, vibrations in human motion and the uneven distribution of point cloud features in complex environments often lead to rapid drift, which is a prevalent issue when applying existing LiDAR Inertial Odometry (LIO) methods on low-cost WMS. To address these limitations, we propose a novel LIO for WMSs based on Hybrid Continuous Time Optimization (HCTO) considering the optimality of Lidar correspondences. First, HCTO recognizes patterns in human motion (high-frequency part, low-frequency part, and constant velocity part) by analyzing raw IMU measurements. Second, HCTO constructs hybrid IMU factors according to different motion states, which enables robust and accurate estimation against vibration-induced noise in the IMU measurements. Third, the best point correspondences are selected using optimal design to achieve real-time performance and better odometry accuracy. We conduct experiments on head-mounted WMS datasets to evaluate the performance of our system, demonstrating significant advantages over state-of-the-art methods. Video recordings of experiments can be found on the project page of HCTO: \href{https://github.com/kafeiyin00/HCTO}{https://github.com/kafeiyin00/HCTO}.