{
  "paper_id": "46449a3b1d0c5389a7b56e06a3d7d175",
  "paper_title": "LVIO-Fusion: Tightly-Coupled LiDAR-Visual-Inertial Odometry and Mapping in Degenerate Environments",
  "paper_authors": [
    "Hongkai Zhang",
    "Liang Du",
    "Sheng Bao",
    "Jianjun Yuan",
    "Shugen Ma"
  ],
  "publication_date": "",
  "publication_venue": "IEEE Robotics and Automation Letters",
  "abstract": "In this letter, we present an innovative, tightly-coupled LiDAR-Visual-Inertial Odometry and Mapping framework, termed LVIO-Fusion, which achieves robust and precise state estimation and map construction in environments characterized by LiDAR-degenerated and texture-less. The LVIO-Fusion is comprised of two subsystems: a LiDAR-inertial odometry (LIO) and a dynamic voxel mapping method by utilizing a Hash table and octrees for building and updating point cloud map directly and efficiently. The map points are directly projected to images to build the optical flow matching, which couples LiDAR and camera measurements in a deeper level. Then, the VIO subsystem proposes a coarse-to-fine state estimation that minimizes the frame-to-frame reprojection errors and photometric errors to align images. Furthermore, the VIO subsystem leverages online photometric calibration to acquire the true radiometric information from the environment, consequently refining the precision of the system. We extensively evaluate our method in challenge environments. The results validate the high accuracy and robustness of our method when compared to other state-of-the-art methods in LiDAR-degenerated and texture-less scenarios.",
  "keywords": [
    "LiDAR-degenerated",
    "mapping",
    "SLAM",
    "state estimation",
    "texture-less"
  ],
  "paper_institutions": [],
  "output_language": "zh",
  "provider": "doubao",
  "model": "glm-5.3",
  "prompt_template": "simple",
  "extracted_at": "2026-09-17T09:40:49.793590Z",
  "template_tag": "simple",
  "summary": "### 摘要\n\n单传感器SLAM系统（基于LiDAR或相机）在几何特征缺失（如隧道、管道、走廊）或弱纹理环境中难以保持定位与建图的鲁棒性，而现有基于特征的LVIO框架（如LVI-SAM、R2LIVE、LIC-Fusion）在状态估计时会丢失大量细微特征，不适用于退化场景。针对这一问题，本文提出紧耦合LiDAR-视觉-惯性里程计与建图框架LVIO-Fusion，包含两个直接法子系统：LIO子系统利用哈希表与八叉树组织的动态体素地图高效构建和更新点云地图，并将地图点直接投影到图像上建立LK光流匹配，在测量层面深度耦合LiDAR与相机；VIO子系统采用由粗到精的状态估计，先最小化帧间重投影误差获得粗略状态，再借助在线光度校准获取真实辐射信息，通过最小化图像块（9像素）的帧间光度误差精化状态，最后将LVIO约束加入基于iSAM2的滑动窗口因子图以校正IMU偏置；其中LIO通过点到平面残差 e_{k_i} = n_{k_i}^T(^W P_{k_i} - q_{k_i}) 构建代价函数 f_l = argmin (1/2)Σ||e_{k_i}^2||，并以Levenberg-Marquardt方法求解实现扫描配准。实验采用手持平台（HIKROBOT MV-CA016-10UC相机、LIVOX AVIA LiDAR、Xsens MIT-600 IMU、Intel I5-10210U CPU、64G RAM）与配备RTK的移动车辆在上海大学周边采集数据，分别用于验证退化场景（白墙）下的鲁棒性、复杂室外-室内环境（光照、高度、尺度变化）下的精度以及RTK地面真值下的全程精度。结果表明：白墙场景中系统返回原点的漂移仅0.0514m平移和2.75度旋转，十次测试结果稳定；四条1465m/1531m/1892m/1963m轨迹的端到端平移误差分别为0.082m/0.098m/0.420m/0.217m，优于LIO-SAM、FAST-LIO2、VINS-Mono、LVI-SAM、R2LIVE和FAST-LIVO等最先进方法；RTK对比实验中相对平移误差保持在0.264–0.385m，全程精度最高，验证了直接投影耦合、由粗到精估计与在线光度校准等创新的有效性。未来工作将进一步探索点云与图像间的映射关系以充分利用高分辨率图像信息。该系统适用于机器人导航、自动驾驶等需在退化环境中实时估计六自由度自运动的场景，但传感器内外参与时间同步需离线标定，且投影地图点分辨率设为0.05m以控制计算负载。\n\n### 关键要点\n\n- LVIO-Fusion是紧耦合LiDAR-视觉-惯性里程计与建图框架，由直接法LIO子系统和VIO子系统组成，专为LiDAR退化（几何缺失）与弱纹理环境设计，可捕捉细微几何与辐射变化以克服传感器退化问题。\n- LIO子系统采用基于哈希表和八叉树的动态体素地图进行点云配准与建图，以降低海量LiDAR点带来的计算负载；当新增点数达到20时平面法向量趋于稳定，并用最近10个点计算新法向量，差异过大时重建体素地图。\n- 地图点被直接投影到当前图像上，利用LK光流建立帧间数据关联，在测量层面深度耦合LiDAR与相机测量；投影地图点分辨率设为0.05m，且不在图像边缘区域投影，以降低计算负载并提升跟踪点质量。\n- VIO子系统采用由粗到精策略：先最小化帧间重投影误差获得粗略状态估计，再以9像素图像块为单位最小化帧间光度误差精化状态，从而在退化环境中抑制光度对齐发散并充分利用图像信息。\n- 系统利用在线光度校准（含晕影因子V(q)、相机响应函数O_i与曝光时间σ，按 c_i = I_i^{-1}(q)/(σ_i V(q)) 计算像素辐射度）获取真实辐射信息，提升光照变化场景下的鲁棒性。\n- LiDAR点选择策略剔除强度过大或过小、入射角接近π或0、以及被遮挡（|D(P4)−D(P3)|≥0.1D(P4)且D(P4)≥D(P3)）的点，以提高测距精度和深度投影可靠性。\n- 系统利用IMU预积分进行点云去畸变与高频状态输出，并将LVIO约束加入基于iSAM2的滑动窗口因子图优化中，联合校正陀螺仪与加速度计偏置。\n- 实验平台包括手持设备（HIKROBOT MV-CA016-10UC相机、LIVOX AVIA LiDAR、Xsens MIT-600 IMU、Intel I5-10210U CPU、64G RAM）和配备RTK的移动车辆；LiDAR、相机与IMU的内外参与时间同步采用离线方式标定。\n- 白墙退化场景中，基于特征的R2LIVE与LVI-SAM出现明显轨迹漂移，FAST-LVIO因缺乏光度校准导致光度对齐发散，而LVIO-Fusion返回原点的漂移仅0.0514m平移和2.75度旋转，十次测试的最大/最小值几乎与均值重合，表明运行稳定。\n- 在上海大学周边采集的四条1465m、1531m、1892m、1963m轨迹上，LVIO-Fusion的端到端平移误差分别为0.082m、0.098m、0.420m、0.217m，优于LIO-SAM、FAST-LIO2、VINS-Mono、LVI-SAM、R2LIVE和FAST-LIVO等对比方法。\n- RTK地面真值对比实验中，LVIO-Fusion在200s至1000s各采样时刻的相对平移误差为0.264–0.385m，在所有对比方法中全程保持最高精度。\n- 系统适用于机器人导航、自动驾驶等退化环境下的实时六自由度状态估计与建图，但依赖离线传感器标定与时间同步；未来工作将探索点云与图像间的映射关系，以充分利用高分辨率图像信息。",
  "available_templates": [
    "deep_read",
    "simple"
  ]
}