[论文解读] LiDAR-Inertial 3D SLAM with Plane Constraint for Multi-story Building

Jiashi Zhang, Chengyang Zhang+3 more|arXiv (Cornell University)|Feb 17, 2022

Robotics and Sensor-Based Localization被引用 5

一句话总结

该论文提出了一种用于多层建筑的紧密耦合激光雷达-惯性3D SLAM框架，利用结构代表性平面（SRPs）实现无需回环检测的高精度6-DOF状态估计。通过在联合优化中融合扫描到局部地图匹配与IMU预积分，并利用跨楼层全局一致的SRP约束，该方法在长轨迹上实现了亚米级漂移，优于现有最先进算法在真实四足机器人数据上的表现。

ABSTRACT

The ubiquitous planes and structural consistency are the most apparent features of indoor multi-story Buildings compared with outdoor environments. In this paper, we propose a tightly coupled LiDAR-Inertial 3D SLAM framework with plane features for the multi-story building. The framework we proposed is mainly composed of three parts: tightly coupled LiDAR-Inertial odometry, extraction of representative planes of the structure, and factor graph optimization. By building a local map and inertial measurement unit (IMU) pre-integration, we get LiDAR scan-to-local-map matching and IMU measurements, respectively. Minimize the joint cost function to obtain the LiDAR-Inertial odometry information. Once a new keyframe is added to the graph, all the planes of this keyframe that can represent structural features are extracted to find the constraint between different poses and stories. A keyframe-based factor graph is conducted with the constraint of planes, and LiDAR-Inertial odometry for keyframe poses refinement. The experimental results show that our algorithm has outstanding performance in accuracy compared with the state-of-the-art algorithms.

研究动机与目标

• 为解决在回环检测不可靠的多层室内导航中6-DOF状态估计的累积漂移问题。
• 利用跨楼层普遍存在的平面结构一致性，构建用于误差校正的全局几何约束。
• 开发一种基于关键帧的因子图优化框架，整合激光雷达-惯性里程计与基于平面的全局约束。
• 仅使用激光雷达和IMU，在复杂多层室内环境中实现实时、高精度的3D制图与定位。
• 在真实四足机器人上验证该方法，传感器为Velodyne VLP-16和Xsens Mti-300，在真实条件下进行测试。

提出的方法

• 将激光雷达扫描到局部地图匹配与IMU预积分紧密耦合到单一联合代价函数中，以提升前端里程计精度。
• 基于几何一致性与法向量对齐，从关键帧中提取结构代表性平面（SRPs），以识别跨楼层的全局匹配平面。
• 将SRPs变换到关键帧坐标系，并通过法向方向与到原点的距离，与全局SRPs进行匹配，以形成约束。
• 构建基于关键帧的因子图，结合激光雷达-惯性里程计与基于平面的几何约束，实现全局优化。
• 执行后端优化，利用里程计与平面约束联合精修关键帧位姿，减少累积误差。
• 采用预积分IMU模型以保持时间一致性，并提升在动态运动下的鲁棒性。

实验结果

研究问题

• RQ1 在无回环检测的情况下，跨多层的基于平面的几何约束是否能有效减少激光雷达-惯性SLAM中的6-DOF漂移？
• RQ2 紧密耦合激光雷达与IMU测量在多层室内环境中如何提升里程计精度？
• RQ3 结构代表性平面（SRPs）在多楼层之间建立一致全局约束的程度如何？
• RQ4 与LIO-Mapping、FAST-LIO2和LIO-SAM等最先进SLAM算法相比，该方法在多层场景下的精度与鲁棒性如何？
• RQ5 平面匹配与全局优化的计算成本如何？是否能在实时性能之间实现平衡？

主要发现

• 在Building A中，该方法实现了仅0.033m的相对平移偏差与0.028rad的旋转偏差，显著优于LIO-Mapping、FAST-LIO2与LIO-SAM。
• 在Building B中，该方法实现了0.031m的平移偏差与0.011rad的旋转偏差，表明其在不同建筑布局下均具有鲁棒性。
• 尽管未使用回环检测，该算法仍能以极小漂移（0.033m平移，0.028rad旋转）返回起点，证明了平面约束的有效性。
• LIO-Mapping采用滑动窗口优化，表现出较高漂移（3.017m平移），且未能闭合回环，表明其在长轨迹中的局限性。
• FAST-LIO2与LIO-SAM表现出极大漂移（平移最高达44.4m），且未能返回起点，凸显了在多层环境中引入全局约束的必要性。
• 该算法前端里程计平均耗时249.10ms（Building A）与316.14ms（Building B），SRP提取与约束匹配消耗显著时间，表明精度与实时性能之间存在权衡。