[论文解读] LIC-Fusion 2.0: LiDAR-Inertial-Camera Odometry with Sliding-Window Plane-Feature Tracking

Xingxing Zuo, Yulin Yang+5 more|arXiv (Cornell University)|Aug 17, 2020

Robotics and Sensor-Based Localization参考文献 12被引用 5

一句话总结

LIC-Fusion 2.0 提出了一种用于激光雷达-惯性-相机里程计的滑动窗口平面特征跟踪方法，通过引入一种新颖的异常值剔除准则，实现对低曲率平面点在扫描间跨帧的跟踪，从而提升了鲁棒性和精度。该系统在真实世界和仿真环境中均实现了最先进性能，并通过基于平面特征的LiDAR-IMU标定一致性与可观测性分析，提供了更优的理论支持。

ABSTRACT

Multi-sensor fusion of multi-modal measurements from commodity inertial, visual and LiDAR sensors to provide robust and accurate 6DOF pose estimation holds great potential in robotics and beyond. In this paper, building upon our prior work (i.e., LIC-Fusion), we develop a sliding-window filter based LiDAR-Inertial-Camera odometry with online spatiotemporal calibration (i.e., LIC-Fusion 2.0), which introduces a novel sliding-window plane-feature tracking for efficiently processing 3D LiDAR point clouds. In particular, after motion compensation for LiDAR points by leveraging IMU data, low-curvature planar points are extracted and tracked across the sliding window. A novel outlier rejection criterion is proposed in the plane-feature tracking for high-quality data association. Only the tracked planar points belonging to the same plane will be used for plane initialization, which makes the plane extraction efficient and robust. Moreover, we perform the observability analysis for the LiDAR-IMU subsystem and report the degenerate cases for spatiotemporal calibration using plane features. While the estimation consistency and identified degenerate motions are validated in Monte-Carlo simulations, different real-world experiments are also conducted to show that the proposed LIC-Fusion 2.0 outperforms its predecessor and other state-of-the-art methods.

研究动机与目标

• 在复杂、杂乱环境中提升激光雷达-惯性-相机里程计的鲁棒性与效率。
• 解决在稀疏或以平面为主场景中3D激光雷达点云的数据关联与特征跟踪挑战。
• 利用平面特征实现在未同步的激光雷达、IMU与相机传感器之间的在线时空标定。
• 通过可观测性分析提供理论基础，识别激光雷达-IMU标定中退化运动情形。
• 在真实世界与仿真数据集上，性能超越现有最先进方法，在精度与实时性方面表现更优。

提出的方法

• 基于滑动窗口滤波器的框架，融合IMU预测、相机特征与激光雷达平面特征，实现紧密耦合的6-DOF位姿估计。
• 对运动补偿后的激光雷达点进行处理，提取低曲率平面点，并在滑动窗口内连续帧间跟踪这些点。
• 提出一种新颖的异常值剔除准则，通过引入激光雷达帧间变换的不确定性，提升数据关联质量。
• 仅使用属于同一追踪平面的平面点进行平面初始化，从而提升效率与鲁棒性。
• 系统利用平面特征实现传感器间的在线空间与时间标定，并通过可观测性分析检测退化运动情形。
• 通过蒙特卡洛仿真与在Vicon及户外序列上的广泛真实世界实验对方法进行验证。

实验结果

研究问题

• RQ1 在滑动窗口框架中，如何高效且鲁棒地在多帧扫描间跟踪3D激光雷达平面特征？
• RQ2 何种异常值剔除策略可在不确定性条件下提升激光雷达平面特征跟踪中的数据关联质量？
• RQ3 在使用平面特征进行激光雷达-IMU标定时，哪些退化运动情形会导致可观测性受损？
• RQ4 与现有激光雷达-惯性及视觉-惯性融合方法相比，所提出的平面特征跟踪方法在精度与鲁棒性方面有何提升？
• RQ5 在线时空标定在未同步多传感器系统中，能在多大程度上提升系统性能？

主要发现

• 在Vicon房间序列上，LIC-Fusion 2.0 实现平均ATE为2.410米，姿态误差为0.113度，优于OpenVINS-IC、LOAM与原始LIC-Fusion。
• 在KITTI序列上，LIC-Fusion 2.0 在Seq 1上实现中位数ATE为0.213米，显著低于LOAM（0.831米）与LIO-MAP（0.019秒处理时间），表明其具备更优的精度与实时可行性。
• 所提出的异常值剔除准则通过利用变换不确定性，提升了数据关联质量，减少了平面跟踪中的误报。
• 可观测性分析识别出特定退化运动情形，如沿平面的纯平动或绕平面法线的旋转，此时使用平面特征进行激光雷达-IMU标定将变得不可观测。
• 系统在杂乱环境中表现出强鲁棒性，仅在7个序列中有1个序列出现超过20米的过渡性误差，而LIO-MAP与LOAM则出现3–4次失败。
• 计算开销适合实时应用，桌面CPU上IMU-CAM子系统的平均处理时间为0.0168秒，LiDAR-IMU子系统为0.0402秒。