[论文解读] MULLS: Versatile LiDAR SLAM via Multi-metric Linear Least Square

Yue Pan, Pengchuan Xiao+3 more|arXiv (Cornell University)|Feb 7, 2021

Robotics and Sensor-Based Localization参考文献 62被引用 16

一句话总结

MULLS 是一种多功能、实时的3D LiDAR SLAM 系统，采用多度量线性最小二乘 ICP 方法，对各类 LiDAR 型号和环境中的几何特征（地面、墙面、柱子、横梁）进行配准。它在 7 种 LiDAR 的 10 万帧以上数据中实现了低漂移和高地图精度，在 KITTI 基准测试中排名前 10，具备实时性能。

ABSTRACT

The rapid development of autonomous driving and mobile mapping calls for off-the-shelf LiDAR SLAM solutions that are adaptive to LiDARs of different specifications on various complex scenarios. To this end, we propose MULLS, an efficient, low-drift, and versatile 3D LiDAR SLAM system. For the front-end, roughly classified feature points (ground, facade, pillar, beam, etc.) are extracted from each frame using dual-threshold ground filtering and principal components analysis. Then the registration between the current frame and the local submap is accomplished efficiently by the proposed multi-metric linear least square iterative closest point algorithm. Point-to-point (plane, line) error metrics within each point class are jointly optimized with a linear approximation to estimate the ego-motion. Static feature points of the registered frame are appended into the local map to keep it updated. For the back-end, hierarchical pose graph optimization is conducted among regularly stored history submaps to reduce the drift resulting from dead reckoning. Extensive experiments are carried out on three datasets with more than 100,000 frames collected by seven types of LiDAR on various outdoor and indoor scenarios. On the KITTI benchmark, MULLS ranks among the top LiDAR-only SLAM systems with real-time performance.

研究动机与目标

• 开发一种对不同 LiDAR 规格和复杂环境具有鲁棒性的 LiDAR SLAM 系统。
• 解决现有 LiDAR SLAM 系统在依赖传感器特定表示（如环形结构或距离图像）时缺乏通用性的问题。
• 通过一种与扫描线无关的方法，在多种室内外场景中实现实时、低漂移性能。
• 通过在线性最小二乘框架中联合优化点到面和点到线误差度量，提升制图精度和鲁棒性。

提出的方法

• 系统通过双阈值地面滤波和主成分分析，从原始 3D 点云中提取几何特征（地面、墙面、柱子、横梁、屋顶）。
• 提出一种新型多度量线性最小二乘 ICP（MULLS-ICP）算法，在分类后的特征点中联合优化点到面和点到线误差度量，以高效估计自身运动。
• 将每帧注册后的静态特征点添加到局部子图中，以维持一个实时更新、动态演化的地图表示。
• 对历史子图应用分层位姿图优化（PGO），通过 TEASER 进行全局配准以检测回环，从而校正死推算带来的漂移。
• 系统独立于 LiDAR 型号参数，避免转换为环形或距离图像，完整保留 3D 结构信息。
• 引入强度一致性与几何加权函数，提升在无特征或复杂场景（如高速公路）下的鲁棒性。

实验结果

研究问题

• RQ1 LiDAR SLAM 系统是否能在不依赖传感器特定表示的前提下，实现对多种 LiDAR 硬件配置的实时性能和低漂移？
• RQ2 在复杂环境中，联合优化多种几何误差度量（点到面、点到线）如何提升配准精度和鲁棒性？
• RQ3 在特征稀少或动态场景中，引入强度一致性与自适应加权函数在多大程度上提升性能？
• RQ4 基于子图的位姿图优化结合 TEASER 在回环检测中，对减少长序列累积漂移的效率如何？
• RQ5 不同几何特征点类别（如顶点、线性、平面）对整体 SLAM 精度和系统稳定性有何影响？

主要发现

• 在 KITTI 序列 00 上，MULLS 实现了 0.51% 的平均平移误差和 0.18°/100m 的旋转误差，在仅使用 LiDAR 的 SLAM 系统中排名前 10。
• 在 KITTI 序列 01 上，MULLS 实现了 0.62% 的平移误差和 0.09°/100m 的旋转误差，表明其在城市环境中表现强劲。
• 系统在所有序列中平均保持实时性能（>10Hz），在 2k 源点和 20k 目标点特征点下，ICP 迭代的中位运行时间为 0.2ms。
• 在结构化场景中，排除顶点点可提升精度；而在高速公路场景中，包含线性点（柱子、横梁）对性能至关重要。
• 消融研究证实，三种加权函数（平衡、残差、强度）均提升了性能，其中强度一致性在无特征高速公路场景中显著改善结果。
• 在 ISPRS MIMAP 数据集的室内制图中，MULLS 实现了 6.7cm 的平均制图误差（与 TLS 真值对比），表明其在复杂室内环境中具备高制图质量。