[论文解读] Enhance Accuracy: Sensitivity and Uncertainty Theory in LiDAR Odometry and Mapping

Zeyu Wan, Yu Zhang+5 more|arXiv (Cornell University)|Nov 15, 2021

Robotics and Sensor-Based Localization被引用 4

一句话总结

本文提出了一种新颖的敏感性与不确定性理论，通过选择高敏感性、低不确定性的点残差，以提升LiDAR里程计与建图的精度。通过在六维空间中形式化敏感性与不确定性，并应用基于阈值的筛选方法，该方法实现了全局统计最优性，减少了残差项数量，同时在室内与室外LiDAR里程计及LiDAR-惯性里程计系统中提升了位姿估计精度，且未牺牲实时性能。

ABSTRACT

Currently, the improvement of LiDAR poses estimation accuracy is an urgent need for mobile robots. Research indicates that diverse LiDAR points have different influences on the accuracy of pose estimation. This study aimed to select a good point set to enhance accuracy. Accordingly, the sensitivity and uncertainty of LiDAR point residuals were formulated as a fundamental basis for derivation and analysis. High-sensitivity and low -uncertainty point residual terms are preferred to achieve higher pose estimation accuracy. The proposed selection method has been theoretically proven to be capable of achieving a global statistical optimum. It was tested on artificial data and compared with the KITTI benchmark. It was also implemented in LiDAR odometry (LO) and LiDAR inertial odometry (LIO), both indoors and outdoors. The experiments revealed that utilizing selected LiDAR point residuals simultaneously enhances optimization accuracy, decreases residual terms, and guarantees real-time performance.

研究动机与目标

• 为解决LiDAR-SLAM系统在长期运行中对更高位姿估计精度的迫切需求。
• 识别出并非所有LiDAR点对位姿估计精度的贡献均等，其敏感性与不确定性存在差异。
• 开发一种理论基础扎实、可泛化的点残差选择方法，以提升LiDAR里程计与建图前端的精度。
• 确保所选方法在降低计算负载与残差误差的同时，维持实时性能。

提出的方法

• 本文将敏感性形式化为六维向量（旋转三个分量，平移三个分量），量化在小位姿扰动下注册残差的变化程度。
• 不确定性建模为三维高斯分布，反映LiDAR点测量的可靠性及其几何模型（如平面或直线）的可信度。
• 将敏感性与不确定性解耦，并合并为一个评分向量，用于对所有LiDAR点残差进行排序。
• 应用基于阈值的筛选规则，仅保留高敏感性、低不确定性的残差用于优化。
• 理论证明表明，该筛选方法在最小化位姿估计误差方面实现了全局统计最优性。
• 该方法被实现为插件模块，可兼容任意基于优化的LiDAR SLAM系统，包括LO与LIO。

实验结果

研究问题

• RQ1 能否利用敏感性与不确定性理论，系统性地识别并选择最具信息量的LiDAR点残差，以提升位姿估计精度？
• RQ2 选择高敏感性、低不确定性残差是否能实现位姿估计误差的统计最优减少？
• RQ3 该筛选方法能否在不同LiDAR SLAM算法与硬件配置下实现泛化，且不牺牲实时性能？
• RQ4 与使用所有有效平面特征点相比，该方法在精度与计算效率方面表现如何？

主要发现

• 尽管所选平面特征点数量约为基线的一半，该方法在KITTI序列03基准测试中仍实现了显著更低的平移误差。
• 所选残差在减少优化中残差项数量的同时，显著提升了室内与室外环境下的位姿估计精度。
• 理论分析证实，该筛选策略在最小化位姿估计误差方面实现了全局统计最优。
• 该方法在集成至LiDAR里程计（LO）与LiDAR-惯性里程计（LIO）系统时，表现出实时性能。
• 高敏感性点主要分布在中层建筑墙体上，而近地面点与树木点则表现出低敏感性与高不确定性。
• 该方法与特定LiDAR硬件及SLAM算法设计无关，可作为通用精度增强模块使用。