[论文解读] LIC-Fusion: LiDAR-Inertial-Camera Odometry

Xingxing Zuo, Patrick Geneva+3 more|arXiv (Cornell University)|Sep 9, 2019

Robotics and Sensor-Based Localization参考文献 17被引用 10

一句话总结

该论文提出LIC-Fusion，一种紧耦合的单线程激光雷达-惯性-相机里程计系统，通过在MSCKF框架内融合IMU数据、稀疏视觉特征以及激光雷达边缘/平面特征，实现了卓越的精度与鲁棒性——相比MSCKF平均轨迹误差降低62%，相比LOAM降低83%，其核心在于在线空间与时间校准，以及基于线性化误差建模的最优多模态融合。

ABSTRACT

This paper presents a tightly-coupled multi-sensor fusion algorithm termed LiDAR-inertial-camera fusion (LIC-Fusion), which efficiently fuses IMU measurements, sparse visual features, and extracted LiDAR points. In particular, the proposed LIC-Fusion performs online spatial and temporal sensor calibration between all three asynchronous sensors, in order to compensate for possible calibration variations. The key contribution is the optimal (up to linearization errors) multi-modal sensor fusion of detected and tracked sparse edge/surf feature points from LiDAR scans within an efficient MSCKF-based framework, alongside sparse visual feature observations and IMU readings. We perform extensive experiments in both indoor and outdoor environments, showing that the proposed LIC-Fusion outperforms the state-of-the-art visual-inertial odometry (VIO) and LiDAR odometry methods in terms of estimation accuracy and robustness to aggressive motions.

研究动机与目标

• 通过整合鲁棒的激光雷达测量，解决视觉-惯性里程计（VIO）在低光照或动态环境下的局限性。
• 通过实现在线空间与时间校准，克服传统激光雷达与IMU融合中因漂移和校准误差敏感导致的问题。
• 开发一种计算高效、单线程、紧耦合的融合框架，充分利用三种传感器的优势，无需依赖回环检测或全局建图。
• 通过将稀疏激光雷达特征（边缘与平面）与视觉及惯性数据进行最优融合，提升在剧烈运动和复杂光照条件下的估计精度与鲁棒性。
• 通过在线校准最小化校准敏感性，简化传感器对齐，实现多传感器系统的实用化部署。

提出的方法

• 采用多状态约束卡尔曼滤波（MSCKF）框架，高效融合IMU测量、单目图像中的稀疏视觉特征，以及稀疏激光雷达边缘/平面特征。
• 引入一个状态向量，包含IMU状态、IMU-相机与IMU-激光雷达之间在线估计的外部校准参数，以及过去IMU克隆的滑动窗口。
• 通过解析推导的误差传播模型，建立校准外参与位姿估计对传感器测量的依赖关系，实现最优（至线性化程度）融合。
• 采用局部平面拟合与边缘检测方法，在激光点云上检测并跟踪稀疏边缘与平面特征，提升特征稳定性与精度。
• 在三个异步传感器之间执行在线空间与时间校准，运行时补偿错位与时钟偏移。
• 采用紧耦合融合策略，将所有三个传感器的原始测量在单一估计框架中联合优化，保留跨传感器相关性。

实验结果

研究问题

• RQ1 是否能够通过结合激光雷达、惯性与视觉数据的紧耦合、单线程融合框架，在精度与鲁棒性上超越松耦合或串行处理流程？
• RQ2 在动态与低光照环境中，异步激光雷达、IMU与相机传感器之间的在线空间与时间校准，如何影响估计性能？
• RQ3 与仅依赖视觉或IMU数据相比，稀疏激光雷达特征（边缘与平面）在多大程度上能提升运动估计精度？
• RQ4 在传统VIO系统失效的剧烈运动场景下，所提方法表现如何？
• RQ5 三种互补传感模态的融合，是否能显著降低轨迹漂移，相比当前最先进的激光雷达或视觉-惯性里程计系统？

主要发现

• 在800米室外序列（RTK GPS真值）中，LIC-Fusion实现平均绝对轨迹误差（ATE）为4.06米，相比MSCKF（10.75米）降低62.2%，相比LOAM（23.08米）降低82.4%。
• 在具有剧烈运动的室内序列（如Indoor-C）中，LIC-Fusion实现起止误差1.55米，而MSCKF失败（49.94米），LOAM为2.44米，表明其在高动态场景下具有显著鲁棒性。
• 在所有室外轨迹运行中，LIC-Fusion的平均均方误差（MSE）持续低于MSCKF与LOAM，4分钟驾驶过程中相比MSCKF平均误差减少2.5米。
• 在低光照室内序列（如Indoor-B与Indoor-D）中，LIC-Fusion保持亚米级精度（分别为1.04米与3.68米），优于MSCKF与LOAM，证明其对恶劣光照条件的强适应能力。
• 轨迹可视化与MSE曲线显示，系统的漂移增长显著慢于MSCKF与LOAM，表明具备长期稳定性。
• 在线空间与时间校准机制有效降低了对初始错位的敏感性，实现无需预先校准的可靠运行。