{
  "paper_id": "4ecdbaaa7e52204257382328c48b64ec",
  "paper_title": "Occupancy Grid Mapping With Uncertain LiDAR Data",
  "paper_authors": [
    "Yuguang Liu",
    "Marko Radanovic",
    "Krista A. Ehinger",
    "Kourosh Khoshelham"
  ],
  "publication_date": "",
  "publication_venue": "IEEE Transactions on Instrumentation and Measurement",
  "abstract": "High-definition (HD) maps are essential for autonomous vehicles. A promising approach to automated generation of HD maps is occupancy grid mapping using vehicle-borne light detection and ranging (LiDAR) data. Existing occupancy grid mapping methods do not integrate the LiDAR pose uncertainty caused by signal blockage and the multipath effect of global navigation satellite systems (GNSS) into the geometric inverse sensor model (ISM) update. This results in systematic and random errors in the generated maps. To address the problem, this article presents an asymmetric Gaussian Bell ISM that minimizes the systematic and random errors caused by the pose uncertainty in occupancy grid mapping. Our proposed asymmetric Gaussian Bell ISM is evaluated on both a real indoor LiDAR dataset and a small-scale outdoor LiDAR dataset with two designed evaluation metrics. The results demonstrate that the proposed ISM effectively reduces the systematic error in both environments. Specifically, our ISM achieves the lowest systematic error of 7.5 and 5.1 cm for the indoor and outdoor datasets with LiDAR pose uncertainties of 20 and 40 cm, respectively, producing more accurate occupancy grid maps compared to five existing ISMs and indicating its potential for HD map-related applications.\n",
  "keywords": [
    "Inverse sensor model (ISM)",
    "light detection and ranging (LiDAR)",
    "map evaluation",
    "occupancy grid mapping",
    "pose uncertainty"
  ],
  "paper_institutions": [],
  "output_language": "zh",
  "provider": "doubao",
  "model": "deepseek-v4-flash",
  "prompt_template": "simple",
  "extracted_at": "2026-08-18T10:30:17.686072Z",
  "template_tag": "simple",
  "summary": "### 摘要\n\n本文针对现有占用栅格地图构建方法在 LiDAR 位姿不确定（如 GNSS 信号遮挡和多径效应导致）下产生系统性和随机误差的问题，提出了一种非对称高斯钟形逆传感器模型（ISM）。与仅考虑测距小误差的传统几何 ISM 不同，该方法将 LiDAR 位置不确定性直接纳入经典 log-odds 占用栅格更新框架，通过构造左右不对称的高斯核并令峰值概率在噪声平均意义下无偏，核心公式为 P_occ(z|Y_lidar)=w_l(z,z*)（0≤z≤z*）和 w_r(z,z*)（z*<z≤z_max），其中 w_l=exp(-(z-z*)^2/(2σ_l^2))·(λ-η)+η，w_r=exp(-(z-z*)^2/(2σ_r^2))·(λ-0.5)+0.5，并满足 σ_r^2=4(λ-0.5)λ(1-λ)/(λ-η)·σ_l^2 以消除峰值偏移。实验使用真实室内 LiDAR 数据集（宾夕法尼亚大学）和小规模室外 KITTI Odometry 序列 05 数据集，在 1-D 和 2-D 条件下与 Octomap、Gaussian Bell、Cartographer、K-NN、Supereight2 五种 ISM 比较；提出 MSD（平均符号距离）和 MAD（平均绝对偏差）两个新指标分别量化系统性和随机误差。结果表明，在室内（σ_sensor=20 cm）和室外（σ_sensor=40 cm）条件下，所提 ISM 取得最低系统性误差 7.5 cm 和 5.1 cm，且随机误差也较低，生成地图更准确。未来工作将扩展至 3-D 占用栅格并纳入姿态方向不确定性；该方法可集成到大规模 LiDAR 建图和 HD 地图生成流程，但需注意当 σ_sensor 小于两倍栅格尺寸时误差通常更小，且当前实现每扫描运行时间低于 20 ms，可满足 50 Hz 实时建图需求。\n\n### 关键要点\n\n- 现有几何 ISM（如 Octomap、Gaussian Bell、Cartographer、K-NN、Supereight2）在 LiDAR 位姿不确定时会产生障碍物峰值偏移（系统性误差）和障碍物增厚（随机误差）。\n- 本文提出的非对称高斯钟形 ISM 在障碍物前后使用不同标准差 σ_l 和 σ_r 的高斯函数，并设置 λ=0.941、η=0.136 作为默认参数。\n- 为消除峰值偏移，模型要求 σ_r^2=4(λ-0.5)λ(1-λ)/(λ-η)·σ_l^2，使噪声平均后的对数几率曲线在真实距离处取得平稳极大值。\n- 作者提出两个新评估指标：MSD（平均符号距离）量化障碍物位置偏移，MAD（平均绝对偏差）量化障碍物厚度/随机离散程度。\n- 室内实验使用宾夕法尼亚大学数据集，在 σ_sensor=20 cm、像素 10 cm 条件下，所提 ISM 的 MSD 为 7.5 cm，MAD 为 10.4 cm，均优于五种对比 ISM。\n- 室外实验使用 KITTI Odometry 序列 05，在 σ_sensor=40 cm、像素 10 cm 条件下，所提 ISM 的 MSD 为 5.1 cm，MAD 为 25.3 cm，系统性误差最低。\n- 在 1-D 仿真中，当 σ_sensor=5 cm 时，所提 ISM 的合成概率峰值准确位于真实障碍物位置（100 cm），验证了其无偏性。\n- 在多种位姿不确定水平（5–40 cm）和不同栅格尺寸（5 cm、10 cm）下，所提 ISM 在 σ_sensor 大于 5 cm（室内）或大于 10 cm（室外）时系统性误差最低。\n- 运行时间方面，所提 ISM 在室内和室外数据集上每扫描约 12.8 ms 和 13.8 ms，低于 20 ms，可支持 50 Hz 实时占用栅格建图。\n- 局限性：当前仅建模 LiDAR 位置（平移）不确定性，未考虑姿态方向不确定性；实验为局部室内和小规模室外地图，尚未在完整 HD 地图规模上验证。\n- 当 σ_sensor 小于两倍栅格尺寸时，系统性误差通常小于一个栅格尺寸，这为大规模地图选择栅格尺寸提供了参考。\n- 所提 ISM 保持经典占用栅格框架的简洁性，可直接集成到大规模 LiDAR 建图和 HD 地图生成管线中。",
  "available_templates": [
    "deep_read",
    "simple"
  ]
}