RESPLE2: Inertial-Informed Recursive Non-Uniform Spline Estimation for Multi-Sensor Odometry with Global Refinement

📄 arXiv: 2610.37602v1 📥 PDF

作者: Ziyu Cao, William Talbot, Song Li, Pakpong Chirarattananon, Fredrik Gustafsson, Marco Hutter, Kailai Li

分类: cs.RO

发布日期: 2026-10-27

备注: 18 pages

🔗 代码/项目: GITHUB

💡 一句话要点

提出RESPLE2以解决多传感器里程计精度不足问题

🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多传感器融合 状态估计 非均匀B样条 递归滤波 实时操作 机器人导航 动态环境

📋 核心要点

  1. 现有的多传感器里程计方法在动态环境中面临精度和鲁棒性不足的挑战，尤其是在快速运动时。
  2. RESPLE2通过非均匀B样条和递归状态估计，结合惯性测量和异构传感器数据，提供了一种新的运动表示和估计方法。
  3. 实验结果表明，RESPLE2在多种平台上实现了优于现有方法的估计精度，特别是在激烈运动情况下，且保持实时性能。

📝 摘要（中文）

我们提出了RESPLE2，这是一个递归多传感器状态估计框架，使用非均匀B样条进行6自由度运动表示。通过利用节点夹紧边界特性，我们提出了一种理论基础的机制，能够直接根据惯性运动学进行控制点预测，并根据运动和测量可用性调整节点位置。在迭代扩展卡尔曼滤波器中，我们使用一部分惯性测量进行预测。后续的重置步骤在节点扩展时保持轨迹一致性。更新步骤进一步通过连续时间观测模型结合异构传感器测量，支持激光雷达、相机、惯性测量单元和腿部运动学的灵活组合。我们还开发了一个轻量级全局优化模块，直接通过结合来自激光雷达-视觉线索的闭环约束来优化非均匀B样条控制点。我们在手持、跟踪、腿部和混合空中-腿部平台上进行了广泛评估，涵盖了极端加速度下的高度动态动作。与最先进的多传感器里程计系统相比，RESPLE2在相应的传感器配置下实现了竞争或更优的估计精度和鲁棒性，同时保持实时操作。

🔬 方法详解

问题定义：本论文旨在解决现有多传感器里程计在动态环境中精度不足和鲁棒性差的问题，尤其是在快速运动和复杂场景下的挑战。

核心思路：RESPLE2的核心思路是利用非均匀B样条进行6自由度运动表示，通过递归状态估计结合惯性测量和异构传感器数据，提供更准确的控制点预测和轨迹一致性。

技术框架：RESPLE2的整体架构包括三个主要模块：控制点预测模块、状态更新模块和全局优化模块。控制点预测模块利用惯性测量进行预测，状态更新模块结合异构传感器数据进行实时更新，全局优化模块则通过闭环约束进行优化。

关键创新：RESPLE2的关键创新在于引入了节点夹紧边界特性，允许根据运动和测量可用性动态调整节点位置，从而实现更精确的控制点预测和轨迹一致性维护。

关键设计：在设计中，RESPLE2采用了迭代扩展卡尔曼滤波器，使用一部分惯性测量进行预测，并通过连续时间观测模型处理异构传感器数据，确保在不同时间戳下的灵活组合。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在实验中，RESPLE2在多种传感器配置下的估计精度和鲁棒性均优于现有的最先进方法，尤其是在激烈运动情况下，表现出更高的稳定性和实时性。具体性能数据表明，RESPLE2在极端加速度下的估计误差显著低于对比基线。

🎯 应用场景

RESPLE2具有广泛的应用潜力，特别是在机器人导航、自动驾驶、增强现实和无人机等领域。其高精度和鲁棒性的特点使其能够在复杂和动态环境中有效工作，推动相关技术的发展和应用。

📄 摘要（原文）

We present RESPLE2, a recursive multi-sensor state estimation framework using non-uniform B-splines for 6-DoF motion representation. By exploiting the knot-clamping boundary property, we propose a theoretically grounded mechanism for exact control-point prediction directly informed by inertial kinematics along the trajectory, with knot placement adapted to motion and measurement availability. Within an iterated extended Kalman filter, we perform this prediction using a subset of inertial measurements. A subsequent reset step preserves trajectory consistency as the knots extend. The update step further incorporates heterogeneous sensor measurements at their native timestamps through continuous-time observation models, supporting flexible combinations of LiDARs, cameras, inertial measurement units, and leg kinematics. We further develop a lightweight global optimization module that directly refines non-uniform B-spline control points by incorporating loop-closure constraints derived from LiDAR-visual cues. We conduct extensive evaluations on public and experimental datasets across handheld, tracked, legged, and hybrid aerial-legged platforms, covering highly dynamic maneuvers with extreme accelerations. Compared with state-of-the-art multi-sensor odometry systems, RESPLE2 achieves competitive or superior estimation accuracy and robustness in the corresponding sensor configurations, particularly under aggressive motion, while maintaining real-time operation. We publicly release our code and experimental datasets at https://github.com/ASIG-X/RESPLE2.