{
  "paper_id": "9a0f1630e0080e27321cd754e167847c",
  "paper_title": "Stereo Visual Inertial LiDAR Simultaneous Localization and Mapping",
  "paper_authors": [
    "Weizhao Shao",
    "Srinivasan Vijayarangan",
    "Cong Li",
    "George Kantor"
  ],
  "publication_date": "",
  "publication_venue": "2019 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)",
  "abstract": "Simultaneous Localization and Mapping (SLAM) is a fundamental task to mobile and aerial robotics. LiDAR based systems have proven to be superior compared to vision based systems due to its accuracy and robustness. In spite of its superiority, pure LiDAR based systems fail in certain degenerate cases like traveling through a tunnel. We propose Stereo Visual Inertial LiDAR (VIL) SLAM that performs better on these degenerate cases and has comparable performance on all other cases. VIL-SLAM accomplishes this by incorporating tightly-coupled stereo visual inertial odometry (VIO) with LiDAR mapping and LiDAR enhanced visual loop closure. The system generates loop-closure corrected 6-DOF LiDAR poses in real-time and 1cm voxel dense maps near real-time. VIL-SLAM demonstrates improved accuracy and robustness compared to state-of-the-art LiDAR methods.",
  "keywords": [
    "SLAM",
    "视觉惯性里程计（VIO）",
    "LiDAR建图",
    "回环检测",
    "多传感器融合"
  ],
  "paper_institutions": [],
  "output_language": "zh",
  "provider": "doubao",
  "model": "glm-5.3",
  "prompt_template": "simple",
  "extracted_at": "2026-09-17T09:35:57.390423Z",
  "template_tag": "simple",
  "summary": "### 摘要\n\n同时定位与建图（SLAM）是移动与飞行机器人的基础任务，纯LiDAR系统虽在精度与鲁棒性上优于纯视觉系统，但在隧道、走廊等重复结构的退化场景中会失效。针对该问题，本文在紧耦合/松耦合VIO及LOAM等纯LiDAR方法的研究背景下提出VIL-SLAM：将紧耦合双目视觉惯性里程计（VIO）与LiDAR建图及LiDAR增强的视觉回环检测相结合。VIO以IMU预积分因子与结构化视觉因子为约束，在固定滞后位姿图上求解最大后验（MAP）问题，其核心机制是通过正交投影矩阵将视觉残差投影到路标雅可比矩阵的零空间以避免优化路标位置，即 ||r_p^V||²_ΣC = ||Q_p F_p δξ_k + Q_p b_p||²，并用Levenberg-Marquardt优化与Schur补边缘化控制计算量；LiDAR建图利用IMU速率VIO位姿进行点云去畸变与基于边缘/平面特征的scan-to-map配准；回环检测先用Bag-of-Words识别候选、EPnP粗估计，再用稀疏点云ICP精化，全局位姿图由iSAM2增量优化并实时回传校正。实验在自建平台（两个百万像素相机、16线LiDAR、400Hz IMU、4GHz四核计算机、自研时间同步电路）上采集高棚仓库、走廊、隧道、大回环与室外546米五种代表性环境数据，以Faro飞行时间激光扫描为建图真值，选择这些场景是为了验证退化场景与长期运行的鲁棒性；另在EuRoC MAV数据集上验证VIO子模块。指标采用最终漂移误差（FDE）、平均配准误差（MRE）与绝对轨迹误差（ATE）：VIL-SLAM在LOAM失败的隧道（FDE 0.08%）、走廊（0.05%）与大回环（0.01%）场景中成功运行，在两者均完成的场景中误差更低（如高棚FDE 0.08% vs LOAM 0.56%），EuRoC上ATE与三种先进方法相当，证明了多模态融合与混合回环策略的有效性。未来方向包括将VIO与LiDAR建图扩展为紧耦合框架以利用精化位姿校正IMU偏置，以及将回环ICP从scan-to-scan扩展为scan-to-map匹配。该系统适用于长期、多环境的实际机器人部署，但依赖硬件时间同步，且在极端缺乏视觉特征时VIO约束不足需回环纠正。\n\n### 关键要点\n\n- VIL-SLAM是首个将紧耦合双目VIO、LiDAR建图与LiDAR增强视觉回环结合的SLAM系统，实时输出回环校正后的6-DOF LiDAR位姿，并近实时生成1cm体素稠密地图。\n- VIO模块采用IMU预积分因子与结构化视觉因子，在固定滞后位姿图上进行MAP优化（Levenberg-Marquardt求解），通过Schur补边缘化限制优化变量数量以保证实时性。\n- 视觉前端用KLT跟踪器做帧间跟踪，特征不足时用Shi-Tomasi角点检测加ORB描述子暴力双目匹配；大双目基线有利于尺度估计并减少远距离特征引起的退化。\n- LiDAR建图以IMU速率VIO位姿为运动先验进行点云去畸变，提取边缘与平面特征点，通过最小化到地图中最近边缘线/平面块的欧氏距离残差完成scan-to-map配准。\n- 回环检测采用混合策略：Bag-of-Words快速识别候选并用描述子匹配过滤误检，EPnP生成粗略位姿修正，再用稀疏特征点ICP精化，兼顾速度与精度。\n- 全局位姿图包含LiDAR里程计因子与回环约束因子，用iSAM2增量求解器实时优化；回环校正实时回传LiDAR建图模块以更新地图并完成重定位。\n- 实验平台包含两个百万像素相机、16线LiDAR、400Hz IMU与4GHz四核计算机，自研基于微控制器的时间同步电路通过模拟GPS时间信号同步所有传感器。\n- 在高棚、走廊、隧道、大回环、室外五种环境测试，用FDE评估里程计、用Faro扫描真值的MRE评估建图；未使用KITTI因其序列缺少惯性测量且多数序列挑战性不足。\n- 结果显示VIL-SLAM在LOAM失败的隧道、走廊、大回环场景中成功（隧道FDE 0.08%、走廊0.05%、大回环0.01%），在共同完成场景中误差更低（高棚FDE 0.08% vs LOAM 0.56%）。\n- 室外546米测试中行人与车辆构成潜在外点，VIL-SLAM与LOAM在xy平面结果相当，但LOAM无法捕捉z方向变化，而VIL-SLAM能正确估计坡度变化。\n- VIL-VIO在EuRoC MAV数据集全部序列上成功运行，ATE与三种先进方法相当，验证其对剧烈运动、光照变化、运动模糊与无纹理区域的处理能力。\n- 局限与约束：无特征走廊使视觉测量不足导致地图错位需回环纠正，隧道中沿行进方向仍有误差累积；当前VIO与LiDAR建图为松耦合，未来将扩展为紧耦合并用scan-to-map ICP改进回环约束。"
}