May, 2024

MAD-ICP：数据匹配的关键 -- 稳健且信息丰富的 LiDAR 里程计

PDF
TL;DR该研究论文介绍了一种 LiDAR 里程计系统，能够在不同操作条件下正常运行，并实现与特定领域方法相当的性能。该系统使用基于 PCA 的 kd 树实现的 ICP 范式，用于提取待配准点云的结构信息并计算对齐的最小化度量。通过根据估计的姿态不确定性管理局部地图，将漂移控制在一定范围内。为了使研究社区受益，我们发布了一个开放源代码的 C++ 实现，可实时应用在任何时候。
lidar odometryego-motionsensoricp paradigmopen-source
发现论文，激发创造
  • KISS-ICP：支持点对点 ICP 的辩护 —— 如果正确实现，则简单、准确且健壮

    研究通过精简核心元素实现了一个在各种环境条件下可操作的简单有效的传感器里程计估计系统，该系统在使用不同类型的 LiDAR 传感器时，仅具有少数参数并且不需要计算 IMU 信息，能够广泛应用于不同的应用场景。

    Sep, 2022

  • CT-ICP：实时弹性 LiDAR 里程计与环路闭合

    本研究提出了一种新的实时 LiDAR-only 里程计方法（CT-ICP）和一种新的环路检测程序，结合弹性形变和高频运动鲁棒性，使用 2D 匹配进行纯激光雷达回环检测和构建完整的 SLAM，应用于自动驾驶汽车的定位和感知任务。测试结果表明，相对位移误差（RTE）平均值为 0.59％，每次扫描的平均时间为 60 毫秒，是 KITTI 里程计排行榜上代码公开最优秀的之一。

    Sep, 2021

  • IMLS-SLAM: 基于 3D 数据的扫描匹配与建模

    基于 3D LiDAR 数据的低漂移 SLAM 算法，使用扫描到模型匹配框架和隐式移动最小二乘（IMLS）表面表示，通过 KITTI 基准测试在全球漂移率仅为 0.69％。

    Feb, 2018

  • 机器人应用中 LiDAR 自监督学习测距法

    提出了一种多用途的自监督 LiDAR 里程计估计方法，该方法在训练期间有选择地应用几何损失，无需任何标签或地面数据，适用于精度难以获得的应用中的姿态估计。

    Nov, 2020

  • DMLO: 深度匹配 LiDAR 里程计

    本文介绍了一种新型的基于学习方法的 Deep Matching LiDAR Odometry (DMLO) 框架，它将特征匹配方法应用到 LiDAR 地标测量任务中，该框架将 6-DoF 姿态估计分解为两个部分，一个学习匹配网络，另一个是通过奇异值分解（SVD） 得到的紧密形成解的刚性变换估计。实验结果表明，DMLO 远优于现有的基于学习方法的方法，并可与基于几何的最先进方法相媲美。

    Apr, 2020

  • Traj-LO: 高效连续时间轨迹的仅激光雷达导航定位

    通过连续时间视角探索 LiDAR 单独里程计的能力，我们提出的 Traj-LO 方法通过紧密地结合 LiDAR 点的几何信息和轨迹平滑度的运动约束，恢复了 LiDAR 的时空一致性移动。该方法在不同种类的 LiDAR 以及多 LiDAR 系统中都具有广泛的实验验证，即使在运动状态超出 IMU 测量范围的情况下也展现了鲁棒性和有效性。我们的实现已在 GitHub 上开源。

    Sep, 2023

  • LIO-SAM: 利用平滑和映射实现紧耦合的激光惯性里程计

    该研究提出了一种通过平滑和制图实现高精度、实时移动机器人轨迹估计和地图构建的紧密耦合激光雷达惯性测程联合优化的框架方法，其中采用了因子图算法来融合不同来源的相对和绝对测量数据，并使用 IMU 预积分解除激光雷达测程偏差。

    Jul, 2020

  • LIC-Fusion: LiDAR 惯性相机里程计

    该论文介绍了一种新的多传感器融合算法：LiDAR 惯性摄像头融合（LIC-Fusion），它可以在线校准所有异步传感器之间的空间和时间，并在 MSCKF 框架内实现稀疏视觉特征观测值和 IMU 读数的多模态传感器融合，实验结果表明，在室内和室外环境下，该算法相对于视觉惯性测量（VIO）和 LiDAR 测量方法具有更高的估计精度和鲁棒性。

    Sep, 2019

  • DELO：基于局部最优传输的深层证明式 LiDAR 里程计

    通过引入一种基于深度学习的实时 LiDAR 测距法，我们可以联合学习准确的帧间对应关系和模型的预测不确定性，从而为定位预测提供安全保护的证据，同时通过部分最优 LiDAR 特征描述符转换和联合学习的方式提高位置估计的鲁棒性，并展示了预测不确定性能如何在需要时作为位置图优化的证据，在 KITTI 数据集上验证了方法的竞争性性能和优越的泛化能力。

    Aug, 2023

  • ICP-Flow: 利用 ICP 进行 LiDAR 场景流估计

    设计了一种学习无关的流估计器 ICP-Flow，通过在自动驾驶中包含刚性运动假设来提高目标关联和局部刚性变换估计的性能。在场景流估计中，ICP-Flow 在其他模型无法提供有意义结果的长时间间隔（最高 0.5 秒）内展现出优越性能。

    Feb, 2024