LIO-MARS: Non-uniform Continuous-time Trajectories for Real-time LiDAR-Inertial-Odometry

📄 arXiv: 2511.13985v1 📥 PDF

作者: Jan Quenzel, Sven Behnke

分类: cs.RO

发布日期: 2025-11-17

备注: submitted to T-RO, 19 pages

💡 一句话要点

LIO-MARS：基于非均匀连续时间轨迹的实时激光雷达惯性里程计

🎯 匹配领域: 支柱三：空间感知 (Perception & SLAM)

关键词: 激光雷达惯性里程计 连续时间轨迹 B样条曲线 高斯混合模型 非均匀时间节点 实时定位 机器人导航

📋 核心要点

  1. 现有激光雷达惯性里程计在处理复杂运动和保证轨迹连续性方面存在挑战，尤其是在实时性要求高的场景下。
  2. LIO-MARS通过引入非均匀时间节点放置的连续时间B样条轨迹，并结合高斯混合模型，实现了更精确和鲁棒的位姿估计。
  3. 实验结果表明，LIO-MARS在多种数据集上优于现有LIO系统，并在计算效率上有所提升，验证了其先进性。

📝 摘要（中文）

自主机器人系统严重依赖环境知识以实现安全导航。对于搜索与救援任务，飞行机器人需要鲁棒的实时感知能力，这可以通过互补传感器实现。IMU数据约束了加速度和旋转，而激光雷达测量了机器人周围的精确距离。本文基于激光雷达里程计MARS，提出了一种激光雷达惯性里程计(LIO)，它使用连续时间B样条轨迹将多分辨率surfel地图与高斯混合模型(GMM)联合对齐。新的扫描窗口使用非均匀时间节点放置，以确保整个轨迹的连续性，而无需额外的扫描延迟。此外，通过Kronecker和与积，将必要的协方差和GMM计算加速了3.3倍。无迹变换对surfel进行去偏斜，而分割成扫描内片段有助于样条优化期间的运动补偿。相对姿态和预积分IMU伪测量的互补软约束进一步提高了鲁棒性和准确性。广泛的评估表明，在各种手持、地面和空中车辆数据集上，LIO-MARS相对于最新的LIO系统具有最先进的性能。

🔬 方法详解

问题定义：论文旨在解决在资源受限的机器人平台上，如何实现高精度、鲁棒且实时的激光雷达惯性里程计（LIO）的问题。现有方法在处理快速运动、保证轨迹连续性以及计算效率方面存在不足，尤其是在搜索救援等动态环境中，这些问题会严重影响机器人的导航性能。

核心思路：LIO-MARS的核心思路是利用连续时间B样条轨迹来表示机器人的运动，并结合高斯混合模型（GMM）进行地图对齐。通过非均匀的时间节点放置，可以在保证轨迹连续性的同时，减少计算负担。此外，利用IMU预积分和相对位姿约束来提高系统的鲁棒性和精度。

技术框架：LIO-MARS的整体框架包括以下几个主要模块：1) 数据预处理：对激光雷达点云进行分割，提取surfel特征；对IMU数据进行预积分。2) 连续时间轨迹表示：使用非均匀B样条曲线表示机器人的运动轨迹。3) 地图构建与对齐：构建多分辨率surfel地图，并使用GMM进行地图对齐。4) 优化：通过最小化重投影误差、IMU预积分误差和相对位姿误差来优化轨迹。5) 运动补偿：利用无迹变换对surfel进行去偏斜，并分割成扫描内片段以进行运动补偿。

关键创新：LIO-MARS的关键创新在于：1) 引入了非均匀时间节点放置的连续时间B样条轨迹，能够在保证轨迹连续性的同时，减少计算量。2) 利用Kronecker和与积加速了协方差和GMM的计算，提高了计算效率。3) 结合了无迹变换和扫描内分割，实现了更精确的运动补偿。

关键设计：LIO-MARS的关键设计包括：1) 非均匀时间节点放置策略，根据运动的剧烈程度动态调整节点密度。2) 基于Kronecker和与积的GMM计算加速方法，显著提高了计算效率。3) 损失函数的设计，综合考虑了重投影误差、IMU预积分误差和相对位姿误差，以提高系统的精度和鲁棒性。

📊 实验亮点

LIO-MARS在多个数据集上进行了广泛的评估，结果表明其性能优于现有的LIO系统。特别是在计算效率方面，通过Kronecker和与积加速GMM计算，速度提升了3.3倍。在精度方面，LIO-MARS在各种手持、地面和空中车辆数据集上都取得了state-of-the-art的结果，验证了其在复杂环境下的鲁棒性和准确性。

🎯 应用场景

LIO-MARS适用于各种需要高精度、鲁棒性和实时性的机器人导航应用，例如搜索与救援、自主飞行、自动驾驶、以及SLAM等。该系统能够帮助机器人在复杂和动态环境中进行可靠的定位和地图构建，从而实现更安全的自主导航。未来，该技术有望应用于更多领域，如工业自动化、物流配送和智能交通等。

📄 摘要（原文）

Autonomous robotic systems heavily rely on environment knowledge to safely navigate. For search & rescue, a flying robot requires robust real-time perception, enabled by complementary sensors. IMU data constrains acceleration and rotation, whereas LiDAR measures accurate distances around the robot. Building upon the LiDAR odometry MARS, our LiDAR-inertial odometry (LIO) jointly aligns multi-resolution surfel maps with a Gaussian mixture model (GMM) using a continuous-time B-spline trajectory. Our new scan window uses non-uniform temporal knot placement to ensure continuity over the whole trajectory without additional scan delay. Moreover, we accelerate essential covariance and GMM computations with Kronecker sums and products by a factor of 3.3. An unscented transform de-skews surfels, while a splitting into intra-scan segments facilitates motion compensation during spline optimization. Complementary soft constraints on relative poses and preintegrated IMU pseudo-measurements further improve robustness and accuracy. Extensive evaluation showcases the state-of-the-art quality of our LIO-MARS w.r.t. recent LIO systems on various handheld, ground and aerial vehicle-based datasets.