[论文解读] RF-LIO: Removal-First Tightly-coupled Lidar Inertial Odometry in High Dynamic Environments

Chenglong Qian, Xiang Zhao-hong+2 more|arXiv (Cornell University)|Jun 19, 2022

Robotics and Sensor-Based Localization被引用 6

一句话总结

RF-LIO 提出了一种先移除后紧耦合的激光雷达-惯性里程计框架，通过首先利用自适应多分辨率距离图像结合IMU辅助初始位姿估计来移除运动点，再对清理后的点云进行扫描匹配，从而在高动态环境中提升SLAM精度。在高动态的UrbanLoCo数据集上，其绝对轨迹精度相比LOAM和LIO-SAM分别提升了90%和70%。

ABSTRACT

Simultaneous Localization and Mapping (SLAM) is considered to be an essential capability for intelligent vehicles and mobile robots. However, most of the current lidar SLAM approaches are based on the assumption of a static environment. Hence the localization in a dynamic environment with multiple moving objects is actually unreliable. The paper proposes a dynamic SLAM framework RF-LIO, building on LIO-SAM, which adds adaptive multi-resolution range images and uses tightly-coupled lidar inertial odometry to first remove moving objects, and then match lidar scan to the submap. Thus, it can obtain accurate poses even in high dynamic environments. The proposed RF-LIO is evaluated on both self-collected datasets and open Urbanloco datasets. The experimental results in high dynamic environments demonstrate that, compared with LOAM and LIO-SAM, the absolute trajectory accuracy of the proposed RF-LIO can be improved by 90% and 70%, respectively. RF-LIO is one of the state-of-the-art SLAM systems in high dynamic environments.

研究动机与目标

• 解决在车辆和行人等运动物体导致点云地图失真的高动态环境中定位不准确的挑战。
• 克服动态SLAM中的鸡肋问题：移除运动点需要精确位姿，但当存在运动点时，精确位姿又难以获得。
• 开发一种在扫描匹配前先移除动态点的方法，以提升轨迹精度，且不依赖深度学习或特定场景的训练数据。
• 实现在高密度物体和频繁遮挡的复杂城市环境中实时、鲁棒的状态估计与建图。

提出的方法

• 提出一种先移除策略：不立即进行扫描匹配，而是首先利用紧耦合的激光雷达-惯性里程计（LIO）估计粗略位姿，以指导动态点的移除。
• 从当前激光雷达扫描构建自适应多分辨率距离图像，以基于可见性和强度变化检测并分割运动点。
• 利用IMU的高频率测量估计初始运动，从而实现点在距离图像空间中的精确投影，以支持动态点检测。
• 在距离图像中应用基于可见性的准则，识别并移除可能属于运动物体的点，假设静态背景点在帧间保持一致可见。
• 仅在清理后的点云（移除后）执行扫描匹配，以获得更精确的轨迹估计。
• 通过融合激光雷达和IMU测量的紧耦合优化框架，迭代优化位姿与动态点移除。

实验结果

研究问题

• RQ1 在具有密集运动物体的高动态环境中，先移除策略是否优于传统的先扫描匹配方法？
• RQ2 在无先验训练数据的情况下，自适应多分辨率距离图像在检测和移除运动点方面的有效性如何？
• RQ3 将紧耦合LIO与动态点移除相结合，是否能显著提升轨迹精度，相比当前最先进SLAM系统？
• RQ4 在扫描匹配前与后移除动态点之间，计算效率与精度的权衡如何？
• RQ5 该方法能否在不同城市场景中泛化，涵盖不同动态物体密度和遮挡模式？

主要发现

• 在高动态的UrbanLoCo数据集上，RF-LIO相比LOAM的绝对轨迹精度提升90%，相比LIO-SAM提升70%。
• 在CAMarktStreet和CARussianHill数据集上，RF-LIO（After）相比LIO-SAM分别将绝对轨迹RMSE降低61.6%和65.1%。
• 先移除策略（RF-LIO First）的精度优于移除后策略（RF-LIO After），在两个高动态数据集上误差分别降低34.0%和3.6%。
• RF-LIO（FA）实现最佳整体性能，在CAMarktStreet上绝对轨迹RMSE为15.89m，在CARussianHill上为12.17m，优于所有基线方法。
• RF-LIO在所有数据集上的平均运动物体移除率达到96.1%，证实了动态点检测的有效性。
• 运行时间保持高效，即使在高动态环境中，RF-LIO（FA）每帧处理时间仍低于121ms，证明了其实时可行性。