[论文解读] LiDAR Odometry Methodologies for Autonomous Driving: A Survey

Nikhil Jonnavithula, Yecheng Lyu+1 more|arXiv (Cornell University)|Sep 13, 2021

Robotics and Sensor-Based Localization参考文献 71被引用 12

一句话总结

本综述系统回顾了面向自动驾驶的激光雷达里程计方法，按对应类型（点、分布和基于网络）进行分类，分析其流程、优势与局限性。在KITTI数据集上评估方法表现，发现ELO在运行时长方面表现最佳，同时具备竞争力的精度，且表明基于深度学习的方法在实现实时、鲁棒里程计方面具有巨大潜力。

ABSTRACT

Vehicle odometry is an essential component of an automated driving system as it computes the vehicle's position and orientation. The odometry module has a higher demand and impact in urban areas where the global navigation satellite system (GNSS) signal is weak and noisy. Traditional visual odometry methods suffer from the diverse illumination status and get disparities during pose estimation, which results in significant errors as the error accumulates. Odometry using light detection and ranging (LiDAR) devices has attracted increasing research interest as LiDAR devices are robust to illumination variations. In this survey, we examine the existing LiDAR odometry methods and summarize the pipeline and delineate the several intermediate steps. Additionally, the existing LiDAR odometry methods are categorized by their correspondence type, and their advantages, disadvantages, and correlations are analyzed across-category and within-category in each step. Finally, we compare the accuracy and the running speed among these methodologies evaluated over the KITTI odometry dataset and outline promising future research directions.

研究动机与目标

• 系统性地根据对应类型（点、分布和基于网络）对现有激光雷达里程计方法进行分类与分析。
• 将里程计流程分解为五个阶段：预处理、特征提取、对应搜索、变换估计和后处理。
• 基于KITTI里程计基准，评估并比较激光雷达里程计方法在精度与运行速度方面的性能表现。
• 识别激光雷达里程计中的关键挑战，如光照不敏感性、三维位姿估计以及实时部署约束。
• 提出未来研究方向，特别是融合架构在提升自动驾驶系统精度与鲁棒性方面的潜力。

提出的方法

• 根据对应类型将激光雷达里程计方法分为三类：点对应（如ICP、LOAM）、分布对应（如NDT、Go-Net）和网络对应（如DCP、DeepLO、LodoNet）。
• 分析里程计流程的每一阶段：预处理（如地面去除、运动物体过滤）、特征提取（如SIFT、SURF、ORB、PointNet、OverlapNet）、对应搜索、变换估计（如ICP、RANSAC）以及后处理（如平滑、回环检测）。
• 采用4×4齐次变换矩阵表示连续激光雷达帧之间的位姿变化：$ Tr = \begin{bmatrix} R & t \\ 0 & 1 \end{bmatrix} $，其中 $ R \in SO(3) $ 且 $ t \in \mathbb{R}^3 $。
• 利用3D点云的球面投影将数据映射至2D，以提升LodoNet和LeGO-LOAM等方法的处理效率，从而支持使用计算成本更低的2D卷积神经网络。
• 采用损失函数（如L3-Net中的掩码加权几何约束损失，PWCLO中的分层嵌入优化）评估基于深度学习的方法，以增强其鲁棒性与泛化能力。
• 基于KITTI里程计数据集，采用平移误差与旋转误差、运行时间等指标对比方法性能，其中ELO实现0.005秒/帧的推理时间，DeepLO展现出优异的平均性能。

实验结果

研究问题

• RQ1 在激光雷达里程计中，点、分布和基于网络的对应类型在精度、鲁棒性与计算效率方面如何比较？
• RQ2 激光雷达里程计五阶段流程中的关键组件及其权衡关系是什么？它们如何影响整体性能？
• RQ3 在KITTI数据集上，哪些激光雷达里程计方法在精度与实时性能之间实现了最佳平衡？
• RQ4 基于深度学习的方法相较于ICP与LOAM等传统方法，在泛化能力与误差收敛性方面有何改进？
• RQ5 激光雷达里程计最具前景的未来研究方向是什么，特别是在融合架构方面？

主要发现

• ELO实现每帧0.005秒的最快运行时间，在速度方面优于LOAM及其他方法，同时保持了具有竞争力的精度。
• DeepLO在KITTI数据集全部11个序列中均表现出优异的平均性能，其监督与无监督框架共同提升了几何感知估计能力。
• 基于NDT的LOAM在所有评估方法中实现了最低的旋转与平移误差，是位姿估计中最精确的方法。
• PWCLO在KITTI数据集上的平移与旋转误差指标上均优于LodoNet、LOAM、DMLO与LO-Net，表明其具有更优的精度。
• D3DLO将点云大小减少了40–50%，且参数量仅占DeepCLR的3.56%，在计算成本更低的前提下实现了相近的性能表现。
• DeepCLR与D3DLO等方法的运行时间与LOAM相当，其中DeepCLR甚至在速度上超越LOAM，表明深度学习方法在效率上可与甚至超越传统方法。