{
  "paper_id": "5bbe34b2d53ea11fd9d4cecbe9642708",
  "paper_title": "PO-VINS: An Efficient and Robust Pose-Only Visual-Inertial State Estimator With LiDAR Enhancement",
  "paper_authors": [
    "Hailiang Tang",
    "Tisheng Zhang",
    "Liqiang Wang",
    "Guan Wang",
    "Xiaoji Niu"
  ],
  "publication_date": "2025-11-13",
  "publication_venue": "IEEE Transactions on Instrumentation and Measurement",
  "abstract": "The pose adjustment with a pose-only visual representation has been proven equivalent to the bundle adjustment (BA) while significantly improving the computational efficiency. However, the pose-only solution has not yet been properly considered in a tightly coupled visual-inertial state estimator (VISE) with a normal configuration for real-time navigation. Meanwhile, the light detection and ranging (LiDAR) can provide accurate depth estimation for visual landmarks and thus can enhance the robustness of VISEs. Hence, we propose a tightly coupled LiDAR-enhanced VISE, named PO-VINS, which can be an efficient and robust odometry framework for autonomous applications. The pose-only solution is integrated for higher state-estimation efficiency, while the lightweight LiDAR enhancement is employed to improve robustness and accuracy. Specifically, based on the pose-only visual representation, we derive the analytical depth uncertainty, which is employed for rejecting LiDAR-depth outliers. Besides, we propose a multistate constraint (MSC)-based LiDAR-depth measurement (LDM) model within the pose-only framework, to balance efficiency and robustness. The pose-only visual and LDMs and the IMU-preintegration measurements are tightly integrated under the factor graph optimization (FGO) framework to perform efficient and accurate state estimation. Exhaustive experimental results on private and public datasets indicate that the proposed PO-VINS yields improved or comparable accuracy to state-of-the-art (SOTA) methods. Compared to the baseline method LE-VINS, the state-estimation efficiency of PO-VINS on the private dataset is improved by 33% and 56% on the laptop PC (Intel i7-13700H) and the onboard ARM computer (NVIDIA Xavier), respectively. Besides, PO-VINS yields higher accuracy and robustness than LE-VINS by employing the proposed uncertainty-based outlier culling method and MSC-based measurement model for LiDAR depth.",
  "keywords": [
    "Factor graph optimization (FGO)",
    "multisensor fusion navigation",
    "pose-only state estimation",
    "visual-inertial navigation"
  ],
  "paper_institutions": [
    "GNSS Research Center, Wuhan University",
    "Hubei Technology Innovation Center for Spatiotemporal Information and Positioning Navigation",
    "Hubei Luojia Laboratory"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "glm-5.3",
  "prompt_template": "simple",
  "extracted_at": "2026-09-17T09:37:18.514525Z",
  "template_tag": "simple",
  "summary": "### 摘要\n传统紧耦合视觉惯性状态估计器（VISE）采用光束法平差（BA）同时估计位姿与视觉路标参数，但路标参数的高维空间显著增加计算复杂度，且LiDAR深度关联中的外点会损害系统鲁棒性；尽管位姿调整（pose adjustment）已被证明与BA等价并在纯视觉大场景重建中使效率提升2–4个数量级，但该方案尚未在实时导航常规配置的紧耦合VISE中得到研究。为此，本文提出LiDAR增强的位姿形式视觉惯性状态估计器PO-VINS，在因子图优化（FGO）框架下紧耦合融合位姿视觉重投影测量（VRM）、多状态约束（MSC）式LiDAR深度测量（LDM）与IMU预积分测量；其核心机制是基于多视图几何的位姿视觉表示，路标深度由锚定关键帧位姿显式表达为 d_ζ^(ζ,η)=‖[p^u_η]× p^c_ηc_ζ‖/θ_ζ,η（θ_ζ,η 为视差参数），从而将路标状态从状态向量中移除，并据此解析推导深度不确定度用于3σ检验剔除LiDAR深度外点。实验选用私有Robot数据集（低速轮式机器人，7条序列共9550s/13.4km，校园环境含动态物体、光照变化与重复纹理）、公开R3LIVE手持数据集（6条序列4462s/5.0km，大角运动与室内运动模糊）和FusionPortableV2车载数据集（5条序列2527s/20.8km，高速动态），以覆盖不同载体与动态条件验证方法的通用性与鲁棒性；系统基于LE-VINS开源代码实现，滑动窗口为10，特征数150/200，采用Ceres求解器、Levenberg–Marquardt算法及Huber鲁棒核。以ATE、25m RTE和端到端误差为指标，PO-VINS在Robot数据集平均ATE为1.12m（优于LE-VINS的1.30m与VINS-Mono的3.45m），在FusionPortableV2上平均ATE为5.88m（LE-VINS为9.56m）且在FAST-LIO2等失效的高速公路序列全部成功运行；状态估计时间较LE-VINS在笔记本（Intel i7-13700H）上降低33.1%、在机载ARM计算机（NVIDIA Xavier）上降低56.3%，消融实验证实外点剔除使ATE降低21.7%、MSC-LDM与深度单独优化将估计时间从19.8ms降至16.2ms。未来工作包括自适应融合LiDAR里程计以及集成GNSS构建无漂移多传感器融合系统。实际应用中，PO-VINS仅需约两个CPU核即可在Xavier上实时运行（CPU占用约14%、内存250MB、系统延迟约72ms），适用于计算资源受限的自主平台，但在昏暗公园等视觉退化场景下精度受限。\n\n### 关键要点\n- PO-VINS在FGO框架下实现完全位姿形式的紧耦合VISE：状态向量仅含各时刻IMU位姿、速度、陀螺与加速度计偏置、相机-IMU外参及时间延迟参数（建模为随机游走），视觉路标状态被完全移除以降低状态维度。\n- 核心位姿表示机制：路标深度由两个锚定关键帧的位姿与特征观测显式表达 d_ζ^(ζ,η)=‖[p^u_η]× p^c_ηc_ζ‖/θ_ζ,η，多视图约束集合C(ζ,η)与投影方程等价，锚定帧F_η按最大视差选取以最大化视觉约束。\n- 基于位姿表示解析推导路标深度不确定度Σ_d：特征噪声σ_p设为1.5像素并传播至归一化相机坐标系，深度不确定度随视差参数增大而减小、随深度增大而增大，与两视图几何理论一致，验证了推导的正确性。\n- 提出基于3σ检验的LiDAR深度外点剔除：当视觉深度d_v与LiDAR深度d_r之差超出±3σ_ε（σ_ε=√(σ_dv²+σ_dr²)，σ_dr=0.1m）时判为外点；消融实验显示平均ATE由1.43m降至1.12m（降低21.7%），剔除耗时仅约0.2ms。\n- 提出MSC式LDM：借鉴MSCKF左零空间投影思想，将单个路标的所有视觉观测与LiDAR深度压缩为一个测量，既减少测量数量提升效率，又通过利用全部观测降低LiDAR深度外点影响；相比直接LDM配置（平均20.9ms），状态估计时间降至16.2ms。\n- 采用深度单独优化（平均约1.8ms）更新带LiDAR深度的路标深度以暴露外点，进一步减少LDM数量，在不牺牲精度的前提下提升效率（无此模块时平均耗时19.8ms）。\n- 数据集设计覆盖三种载体与动态条件：私有Robot（轮式机器人，ADIS16465 IMU、Livox Mid-70，7条序列13.4km）、R3LIVE手持（BMI088、Livox AVIA，5.0km，大角运动）、FusionPortableV2车载（STIM300、Ouster OS1-128，20.8km，高速），用于验证不同场景下的通用性。\n- 精度结果：Robot数据集平均ATE为1.12m，优于LE-VINS（1.30m）、FAST-LIVO2（2.26m）与VINS-Mono（3.45m）；FusionPortableV2平均ATE为5.88m（LE-VINS为9.56m），且在VINS-Mono、FAST-LIO2、R3LIVE等失效的高速公路序列上全部成功运行。\n- 效率结果：笔记本（Intel i7-13700H）上状态估计时间较LE-VINS降低33.1%（16.2ms对24.2ms）；机载NVIDIA Xavier上后端时间降低56.3%（46.5ms对106.5ms），等效FPS提升39.2%与36.1%，CPU占用约14%（250MB RAM），两个CPU核即可实时运行。\n- 实现设置：基于开源LE-VINS构建，滑动窗口大小为10，Robot数据集提取150个特征、R3LIVE与FusionPortableV2提取200个特征，采用Ceres求解器与Levenberg–Marquardt算法，VRM与LDM使用Huber鲁棒核，未使用显式回环检测。\n- 局限与约束：PO-VINS在R3LIVE昏暗公园等视觉退化场景表现受限（如hku-park0序列）；作为视觉里程计无法像含LO的系统通过点云地图匹配消除漂移；相机-IMU时间延迟建模为随机游走以应对部分数据集的不同步问题。\n- 未来方向：自适应融合LiDAR里程计构建紧耦合LVINS以保持高效率与鲁棒性，并集成GNSS构建多传感器融合系统实现无漂移定位。"
}