FAR-LIO: Enabling High-Speed Autonomy through Fast, Accurate, and Robust LiDAR-Inertial Odometry

📄 arXiv: 2606.26010v1 📥 PDF

作者: Maximilian Leitenstern, Marcel Weinmann, Patrick Haft, Tobias Lasser, Dominik Kulmer, Markus Lienkamp

分类: cs.RO

发布日期: 2026-06-24

备注: 8 pages, accepted for publication at IROS2026 (IEEE/RSJ International Conference on Intelligent Robots and Systems 2026)

🔗 代码/项目: GITHUB

💡 一句话要点

提出FAR-LIO以解决高动态环境下的里程计估计问题

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

关键词: 里程计估计 CUDA加速 稀疏感知 扩展卡尔曼滤波 自主驾驶 动态环境 高效算法

📋 核心要点

  1. 在高度动态和噪声环境中，现有的里程计估计方法面临准确性和实时性的挑战。
  2. FAR-LIO通过CUDA加速的体素哈希表和稀疏感知的迭代最近点算法，实现了快速且准确的里程计估计。
  3. 实验结果表明，FAR-LIO在位置误差上减少了6.9%，运行时间降低了38.4%，显示出显著的性能提升。

📝 摘要（中文）

稳健且准确的里程计估计在现代机器人技术中至关重要。在高度动态运动和传感器噪声的环境中，里程计估计变得愈加困难。自主赛车结合了这些因素，在非结构化环境中，最小化里程计延迟对于稳定的闭环控制至关重要。本文介绍了FAR-LIO，一个高度优化的CUDA加速LiDAR-惯性里程计框架，旨在实现快速、准确和稳健的性能。我们的系统利用了一种新颖的基于CUDA的体素哈希表，以实现并行最近邻搜索和高效的地图更新。我们采用了一种稀疏感知的广义迭代最近点算法，结合自适应阈值，确保在不妥协准确性的情况下实现低延迟。扩展卡尔曼滤波器作为稳健的后端，利用上采样和延迟补偿策略，将LiDAR里程计与高频IMU数据融合，从而确保稳健和平滑的里程计输出。我们在四种不同的传感器设置下评估了FAR-LIO，使用公共数据集和两辆以高达250公里/小时的速度行驶的自主赛车的数据。FAR-LIO在目标硬件上相比于最先进的基线实现了平均6.9%的位置误差降低和38.4%的运行时间降低，展示了其计算效率和广泛适用性。

🔬 方法详解

问题定义：本文旨在解决在高度动态和噪声环境中进行稳健且准确的里程计估计的问题。现有方法在这些条件下往往无法满足实时性和准确性的要求。

核心思路：FAR-LIO的核心思路是利用CUDA加速的体素哈希表来实现并行处理，从而提高里程计的计算效率。同时，采用稀疏感知的广义迭代最近点算法，结合自适应阈值，确保在低延迟的情况下保持高准确性。

技术框架：FAR-LIO的整体架构包括数据采集、体素哈希表构建、最近邻搜索、地图更新和里程计融合等模块。扩展卡尔曼滤波器作为后端，负责将LiDAR和IMU数据进行融合，输出平滑的里程计结果。

关键创新：FAR-LIO的主要创新在于其基于CUDA的体素哈希表和稀疏感知的算法设计，使得在动态环境中能够实现低延迟和高准确性的里程计估计。这与传统方法的串行处理方式形成了鲜明对比。

关键设计：在设计中，FAR-LIO采用了自适应密度的体素哈希表，优化了最近邻搜索的效率。同时，扩展卡尔曼滤波器结合了上采样和延迟补偿策略，以确保数据融合的稳健性和准确性。具体参数设置和算法细节在论文中有详细描述。

📊 实验亮点

FAR-LIO在实验中表现出色，相比于最先进的基线，位置误差平均降低了6.9%，运行时间减少了38.4%。这些结果表明FAR-LIO在高动态环境下的计算效率和准确性具有显著优势，展示了其在实际应用中的潜力。

🎯 应用场景

FAR-LIO的研究成果在自主驾驶、无人机导航和机器人定位等领域具有广泛的应用潜力。其高效的里程计估计能力能够支持高速度和动态环境下的自主决策，提升系统的整体性能和安全性。未来，随着技术的进一步发展，FAR-LIO有望在更多复杂场景中得到应用。

📄 摘要（原文）

Robust and accurate odometry estimation is essential in modern robotics. In environments characterized by highly dynamic motion and sensor noise, odometry estimation becomes increasingly challenging. Autonomous racing combines both factors in an unstructured setting, where minimizing odometry latency is essential for stable closed-loop control. This paper introduces FAR-LIO, a highly optimized CUDA-accelerated LiDAR-inertial odometry framework developed for Fast, Accurate, and Robust performance. Our system leverages a novel CUDA-based voxel hashmap to enable parallelized nearest-neighbor search and efficient map updates. We employ a sparsity-aware Generalized Iterative Closest Point algorithm with adaptive thresholding on top of the CUDA-based voxel hashmap with adaptive density to achieve low-latency without compromising accuracy. An Extended Kalman Filter serves as a robust backend. It utilizes an upsampling and delay compensation strategy to fuse the LiDAR odometry with high-frequency IMU data, thereby ensuring a robust and smooth odometry output. We evaluate FAR-LIO across four different sensor setups, using both public datasets and data from two autonomous racecars driving at speeds of up to 250 km/h. FAR-LIO achieves an average 6.9% reduction in the positional error and 38.4% lower runtime compared to state-of-the-art baselines on target hardware using a single parameter set. This demonstrates its computational efficiency and broad applicability. To build upon our work, our code is available open-source on https://github.com/TUMFTM/FAR-LIO.