[论文解读] LINS: A Lidar-Inertial State Estimator for Robust and Efficient Navigation

Chao Qin, Haoyang Ye+4 more|arXiv (Cornell University)|Jul 4, 2019

Robotics and Sensor-Based Localization参考文献 29被引用 17

一句话总结

LINS 提出了一种轻量级、紧密耦合的激光雷达-惯性状态估计算法，采用迭代误差状态扩展卡尔曼滤波（ESKF）并结合以机器人为中心的状态表示法，实现了面向地面车辆的实时、鲁棒且高精度的自身运动估计。该方法在计算效率上相比以往方法提升10倍，性能达到最先进水平，即使在特征稀疏环境中也优于 LIOM。

ABSTRACT

We present LINS, a lightweight lidar-inertial state estimator, for real-time ego-motion estimation. The proposed method enables robust and efficient navigation for ground vehicles in challenging environments, such as feature-less scenes, via fusing a 6-axis IMU and a 3D lidar in a tightly-coupled scheme. An iterated error-state Kalman filter (ESKF) is designed to correct the estimated state recursively by generating new feature correspondences in each iteration, and to keep the system computationally tractable. Moreover, we use a robocentric formulation that represents the state in a moving local frame in order to prevent filter divergence in a long run. To validate robustness and generalizability, extensive experiments are performed in various scenarios. Experimental results indicate that LINS offers comparable performance with the state-of-the-art lidar-inertial odometry in terms of stability and accuracy and has order-of-magnitude improvement in speed.

研究动机与目标

• 解决在无特征环境（如开阔区域、港口）中因点云稀疏而导致激光雷达单独里程计失效的问题。
• 克服当前最先进图优化型激光雷达-惯性里程计（如 LIOM）的计算瓶颈，其单次扫描处理时间超过100ms，限制了实时应用。
• 通过引入以机器人为中心的状态表示法，提升长期稳定性并减少自身运动估计中的漂移。
• 通过递归误差状态扩展卡尔曼滤波，紧密耦合三维激光雷达与六轴IMU数据，实现高精度、实时导航。
• 在城市、森林及室内停车场等复杂场景中展示优越性能，这些场景中特征稀缺与动态运动会扭曲激光雷达数据。

提出的方法

• 采用迭代误差状态扩展卡尔曼滤波（ESKF），通过每次迭代生成新的特征匹配关系，递归校正状态估计，从而在不增加计算负载的前提下提升精度。
• 采用以机器人为中心的状态表示法，即在每个激光雷达时间步更新局部参考坐标系，从而实现长期稳定性并防止滤波发散。
• 在状态估计算法框架中，紧密耦合三维激光雷达点云特征与高频IMU测量（100–500 Hz），联合优化位姿与偏差状态。
• 仅将特征匹配限制在前一帧激光雷达扫描内，以降低计算成本，同时通过IMU提供的运动约束保持精度。
• 使用IMU预积分技术对时间间隔内的惯性测量进行建模，降低噪声并实现高效的态值传播。
• 采用基于分解的扩展卡尔曼滤波方法，递归求解时间序列上的优化问题，避免图优化方法的批量优化过程，从而实现实时性能。

实验结果

研究问题

• RQ1 紧密耦合的激光雷达-惯性状态估计算法是否能在保持与最先进图优化方法相当精度的前提下，实现每帧子30ms的实时性能？
• RQ2 以机器人为中心的状态表示法在特征稀疏条件下如何提升激光雷达-惯性里程计的长期稳定性和减少漂移？
• RQ3 在点云稀疏的环境中，仅匹配前一帧扫描的迭代ESKF在精度保持方面能达到何种程度？
• RQ4 在特征稀疏与动态环境下的轨迹精度与鲁棒性方面，LINS相较于LOAM、LeGO与LIOM表现如何？
• RQ5 在激光雷达-惯性里程计中，用递归扩展卡尔曼滤波替代批量优化时，计算效率与估计精度之间的权衡如何？

主要发现

• LINS在所有测试场景中平均运行时间为每帧18–25ms，相比LIOM（每帧143–223ms）实现了一个数量级的性能提升。
• 在城市实验中，LINS的相对漂移为1.79%（MRO）和4.42%（PO），与LIOM的1.76%和4.44%非常接近，尽管其计算成本显著更低。
• 在港口实验中，LINS的相对漂移为1.56%（MRO），优于LeGO（2.75%）和LOAM（3.01%），且在地图保真度与真实轨迹对齐方面表现更优。
• 即使在特征稀疏的城市场景中（平均每帧56条边缘特征），LINS仍保持稳定性能且漂移极小，而LeGO与LOAM则表现出显著的朝向误差与轨迹偏差。
• LINS生成的三维地图在真实场景（包括无特征区域）中与Google地图高度对齐，验证了其鲁棒性与高保真度重建能力。
• LINS在所有场景中均达到与LIOM相当的精度，同时显著更快，证明基于递归ESKF的估计算法在实时应用中可超越批量图优化方法。