{
  "paper_id": "216813d544f1fc4054fca54a4f40cbe8",
  "paper_title": "PG-LIO: Photometric-Geometric fusion for Robust LiDAR-Inertial Odometry",
  "paper_authors": [
    "Nikhil Khedekar",
    "Kostas Alexis"
  ],
  "publication_date": "2025",
  "publication_venue": "unknown",
  "abstract": "LiDAR-惯性里程计（LIO）被广泛用于精确的状态估计与建图，这是自主机器人的基本需求。传统 LIO 方法通常依赖由 LiDAR 采样的几何结构来构建约束，因此在缺乏几何结构时会变得病态（退化）并失效。LIO 在此类条件下的鲁棒性是其更广泛部署的必要条件。为此，我们提出 PG-LIO，一种实时 LIO 方法，融合 LiDAR 采样的光度与几何信息以及来自惯性测量单元（IMU）的惯性约束。这些多模态信息被集成到在滑动窗口上优化的因子图中以实现实时运行。我们在多个数据集上评估 PG-LIO，其中既包括几何良好条件的场景，也包括自相似场景。我们的方法在几何结构良好的环境中达到与最先进 LIO 相当的精度，同时在退化场景中显著提升精度，包括优于同样融合强度信息的方法。值得注意的是，我们在几何自相似的隧道中以平均 7.5 m/s（最大 10.8 m/s）的速度完成 1 km 人工驾驶飞行轨迹，仅产生约 1 m 的漂移。为造福社区，我们还将发布源代码。",
  "keywords": [
    "LiDAR-Inertial Odometry",
    "Photometric-Geometric Fusion",
    "Degeneracy",
    "Factor Graph"
  ],
  "paper_institutions": [],
  "output_language": "zh",
  "provider": "doubao",
  "model": "glm-5.3",
  "prompt_template": "simple",
  "extracted_at": "2026-09-17T09:32:02.424023Z",
  "template_tag": "simple",
  "summary": "### 摘要\nLiDAR-惯性里程计（LIO）是自主机器人精确状态估计与建图的核心技术，但传统方法依赖 LiDAR 采样的几何结构构建约束（如 ICP），在隧道、田野等几何自相似环境中会因约束病态（退化）而失效；已有缓解工作从信息分析、约束优化与多模态融合入手，其中融合视觉/热成像相机或雷达虽有效却引入额外复杂度、重量与功耗，对微型飞行器尤为不利，而最先进的 COIN-LIO 虽利用强度信息，其投影模型与光度因子仍有不足。为此，本文提出实时、紧耦合的 PG-LIO，在不增加传感器的前提下利用现代 LiDAR 自带的强度信息，将光度因子、几何点面因子与 IMU 预积分因子统一纳入滑动窗口因子图，以增量式固定滞后平滑器实时优化；其核心机制是基于归一化互相关（NCC）的光度误差 e = Ψ(I_j(Π_n(Γ(P(X))))) − Ψ(I_k(X))，通过零均值、单位方差归一化 Ψ(·) 抵御 LiDAR 强度图像违反亮度恒定假设的问题，并配合显式建模激光头方位偏角 θ_a、按采样距离生成偏置查找表的自校准投影模型 Π_n(·) 提升投影精度。方法在手持 Ouster OS0-128 的 Newer College 数据集（验证几何良好场景下的一般功能）、几何退化的 ENWIDE 数据集（Leica 全站仪提供真值，验证退化鲁棒性）以及自行车隧道中人工驾驶飞行机器人实验（OS0-128 Rev7 与 VectorNav VN100 IMU，轨迹 1047 m，平均速度 7.5 m/s、最大 10.8 m/s，验证高速真实退化场景）上，以 evo 工具计算的 ATE RMSE（米）与 10 m 间隔相对误差（%）为指标评估：在几何良好场景中与 FAST-LIO2、COIN-LIO 等最先进方法精度相当，在退化场景中除 TunnelS（重力与加速度计偏置未收敛）与 RunwayD（单次高动态机动旋转估计出错）外全面优于同样融合强度的 COIN-LIO，并在 1 km 自相似隧道往返飞行中仅产生约 1 m 漂移，验证了 NCC 光度因子与精确投影模型两项创新的有效性。后续可针对重力/偏置收敛与高动态机动下的旋转估计鲁棒性继续改进；实际部署需应对 LiDAR 低分辨率、离散采样、强卷帘快门及强度对环境、距离、入射角的依赖等约束，适用于隧道、地下空间等自主机器人导航场景，源代码将开源发布。\n\n### 关键要点\n- PG-LIO 是一种实时、紧耦合的 LIO 方法，将 LiDAR 采样的光度（强度）因子、几何点面因子与 IMU 预积分因子统一融合到滑动窗口因子图中，用增量式固定滞后平滑器优化以实现实时运行。\n- 光度因子采用归一化互相关（NCC）代价 E_ZNSSD = ||Ψ(S̄) − Ψ(T̄)||² = 2 − 2E_NCC，通过零均值、单位方差归一化 Ψ(·) 对违反亮度恒定假设的 LiDAR 强度图像具有更强容忍度。\n- 提出自校准投影模型：针对每个点按采样距离计算方位偏置 b_u 并生成查找表，相比 CPBRA 的每环常量偏置更精确地建模激光头方位偏角 θ_a（Ouster 传感器可达 ±11°），修正后的投影位置与 PBID 位置完全一致。\n- 几何子系统最小化点面误差 e = n_W·(T_WI_e p_Ie − q_W)，采用 iVox 单体地图，并利用 J^T J 平移块的局部可观测性贡献识别退化方向，据此指导光度特征的采样与初始化。\n- IMU 预积分因子被修改为将重力方向作为 S² 上的变量进行估计（幅值已知约 9.81 m/s²），避免世界系与重力不对齐时产生与光度、几何因子不一致的强校正梯度。\n- 点云先用 IMU 传播去畸变，再每 4 点丢弃 3 点并采用体素内 0.1 m 距离阈值、少于 20 点的子采样策略，在保证实时性的同时避免体素质心平均抹平边缘。\n- 在 Newer College 数据集（手持 Ouster OS0-128 校园场景）上，PG-LIO 与 FAST-LIO2、COIN-LIO 等最先进方法精度相当，如 Park 序列 ATE 为 0.331 m、Stairs 序列为 0.077 m。\n- 在几何退化的 ENWIDE 数据集（Leica 全站仪为安装于 LiDAR 上的棱镜提供真值）上，除 TunnelS 与 RunwayD 外，PG-LIO 在 ATE 与相对误差上全面优于同样利用强度的 COIN-LIO，如 IntersectionD 为 0.473 m 对 1.912 m、FieldD 为 0.206 m 对 0.581 m。\n- 失败案例分析：TunnelS 中估计器未收敛到正确的重力与加速度计偏置导致隧道末端转弯出现显著误差；RunwayD 中单次高动态机动下旋转估计出错破坏地图，指明了后续改进方向。\n- 在 500 m 长、8 m 直径恒定半圆截面的自行车隧道中，人工驾驶飞行机器人（Ouster OS0-128 Rev7 与 VectorNav VN100 IMU）以平均 7.5 m/s、最大 10.8 m/s 飞行 1047 m，PG-LIO 仅产生约 1 m 漂移，而 COIN-LIO 在返程特征稀疏区域丢失跟踪。\n- 评估采用 evo 工具计算的 ATE RMSE（米）与 10 m 间隔相对误差（%），对比方法包括 KISS-ICP、MD-SLAM、Du and Beltrame、LIO-SAM、FAST-LIO2、RI-LIO 与 COIN-LIO。\n- 该方法保持仅 LiDAR + IMU 的传感配置，不引入额外传感器的复杂度、重量与功耗，适合微型飞行器等平台；需应对 LiDAR 低分辨率、离散采样、强卷帘快门及强度对环境、距离、入射角的依赖等约束，源代码将开源（github.com/ntnu-arl/mimosa）。"
}