{
  "paper_id": "c1a45e03f5e65c7cc912fc2dc2b0386e",
  "paper_title": "CamVox: A Low-cost and Accurate Lidar-assisted Visual SLAM System",
  "paper_authors": [
    "Yuewen Zhu",
    "Chunran Zheng",
    "Chongjian Yuan",
    "Xu Huang",
    "Xiaoping Hong"
  ],
  "publication_date": "2020",
  "publication_venue": "IEEE Robotics and Automation Letters",
  "abstract": "在基于相机的同步定位与建图（SLAM）中结合激光雷达是提升整体精度的有效方法，尤其在大规模户外场景中。低成本激光雷达（如Livox）的最新发展使我们能够以更低预算和更高性能探索此类SLAM系统。本文通过挖掘Livox激光雷达的独特特性，将其适配到视觉SLAM（ORB-SLAM2）中，提出CamVox。基于Livox激光雷达的非重复扫描特性，我们提出了一种可在非受控场景下工作的自动激光雷达-相机标定方法。长深度检测范围也有助于实现更高效的建图。我们在同一数据集上将CamVox与视觉SLAM（VINS-mono）和激光雷达SLAM（LOAM）进行对比评估以展示其性能。我们在GitHub上开源了硬件、代码和数据集。",
  "keywords": [
    "SLAM",
    "视觉SLAM",
    "激光雷达辅助SLAM",
    "Livox",
    "自动标定",
    "ORB-SLAM2",
    "RGBD",
    "低成本传感器",
    "运动畸变校正"
  ],
  "paper_institutions": [
    "南方科技大学 (SUSTech)"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "glm-5.3",
  "prompt_template": "simple",
  "extracted_at": "2026-09-17T09:43:09.010551Z",
  "template_tag": "simple",
  "summary": "### 摘要\nCamVox针对的核心问题是：大规模户外场景中纯视觉SLAM（如ORB-SLAM）无法恢复真实尺度，双目相机因基线受限难以准确估计远距离深度，RGBD相机检测范围通常不足10米且易受阳光干扰，而传统高性能激光雷达价格高达1万至8万美元。相关研究涵盖视觉惯性融合（VINS-mono、ORB-SLAM3）、激光雷达SLAM（LOAM、LeGO-LOAM）与视觉-激光融合（VLOAM等），但低成本激光雷达辅助的视觉SLAM仍属空白。本文提出首个Livox激光雷达辅助的视觉SLAM系统CamVox：基于ORB-SLAM2（RGBD模式），将800美元的Livox Horizon作为深度传感器，其核心机制是预处理线程利用IMU数据校正非重复扫描点云的运动畸变，即依据公式 T_si=(t_i−t_s)/(t_e−t_s)·T_se 与 P_i^s=T_si·P_i^i 将每个激光点变换到相机触发时刻的激光雷达坐标系，再投影为与RGB图像逐像素对应的深度图；同时利用非重复扫描积累数秒即可获得接近相机图像分辨率点云的特性，提出基于边缘匹配与改进ICP代价函数（含失配度惩罚项）的非受控场景自动外参标定方法。实验在自建的SUSTech数据集上进行，该数据集采集于真实户外大规模场景（地图长边约200米），用于验证系统在真实环境下的精度与鲁棒性；硬件采用MV-CE060-10UC卷帘快门相机、Livox Horizon与μINS IMU，以GPS-RTK为地面真值，通过10Hz触发信号硬同步，运行于Agile X Scout mini机器人与Manifold 2C机载计算机（4核i7-8550U），以验证实时性。评估指标为绝对位姿误差（APE）：CamVox的RMSE为1.8米（mean 1.7米、std 0.7米），显著优于VINS-mono（RMSE 7.5米）和livox_horizon_loam（RMSE 6.5米），支持了激光雷达-相机紧耦合与精确标定的有效性；close关键点阈值设为130米使建图尺度与特征数量显著增加，验证了长距深度对尺度估计的贡献；自动标定代价函数值6.11接近手动最佳5.88，验证了非受控自动标定的可行性。未来方向是为机器人与传感器研究社区提供开箱即用的低成本开源方案（硬件、代码与数据集已在GitHub开源）。实际应用场景为大规模户外建图与强阳光环境下的鲁棒定位建图，主要约束包括标定需在机器人静止时触发（约58秒，但不影响实时运行）、采用卷帘快门相机以及回环闭合线程耗时较长（约7.8秒）。\n\n### 关键要点\n- **系统构成**：CamVox基于ORB-SLAM2的RGBD模式构建，以售价800美元的Livox Horizon激光雷达作为深度传感器，远低于性能相近的传统激光雷达（1万–8万美元），实现低成本紧耦合激光雷达-视觉SLAM。\n- **运动畸变校正**：预处理线程利用200Hz IMU数据对非重复扫描的激光点进行运动畸变校正，按 T_si=(t_i−t_s)/(t_e−t_s)·T_se 插值位姿并将所有点变换到相机触发时刻的激光雷达坐标系，再投影为深度图并与RGB图像组成统一RGBD帧。\n- **自动标定机制**：利用Livox非重复扫描特性（静止积累数秒即可获得接近相机图像分辨率的点云），在检测到机器人静止时自动触发标定，将点云按初始外参投影为灰度、反射率与深度图像，经直方图均衡与Canny边缘检测后进行边缘匹配。\n- **改进ICP代价函数**：标定采用改进的ICP代价函数 CF=ΣΣ Distance(P_i^cam, P_ik^lidar)/(n×m)+b×(N−n)/N（权重b默认取10），加入失配度惩罚以避免局部极小，并用坐标下降法经Ceres迭代优化roll/pitch/yaw。\n- **标定精度**：未标定时代价函数值为7.95，自动标定后降至6.11，接近最佳手动标定的5.88；在户外自然道路、人工结构与室内欠曝光等多种非受控场景中代价约为6或更低，证明其鲁棒性。\n- **长距深度优势**：Livox Horizon可在强阳光下检测至260米，CamVox可可靠检测100米以外的深度关联特征点，而对比用的Realsense D435无法检测10米以外深度且受阳光噪声干扰。\n- **close关键点阈值**：将close关键点深度阈值默认设为130米（远超ORB-SLAM2中双目基线的40倍，商用双目基线约10厘米），显著增加可用于尺度、平移与旋转估计的近点数量，提升建图尺度、特征数量与启动阶段鲁棒性。\n- **硬件与数据设置**：硬件包括MV-CE060-10UC卷帘快门相机、Livox Horizon、Inertial Sense μINS IMU与GPS-RTK（地面真值），所有传感器通过10Hz触发信号硬同步，系统搭载于Agile X Scout mini移动机器人平台，另装Realsense D435用于对比。\n- **轨迹精度结果**：在自建SUSTech数据集上用evo工具评估，CamVox的APE RMSE为1.8米（max 3.3米、mean 1.7米、median 1.6米、std 0.7米），显著优于VINS-mono（RMSE 7.5米）与livox_horizon_loam（RMSE 6.5米）。\n- **实时性能**：在Manifold 2C机载计算机（4核Intel i7-8550U）上，跟踪耗时42.27ms、建图252.41ms、IMU校正0.89ms、点云转深度图16.35ms，系统可实时运行；回环闭合耗时7821.22ms。\n- **标定耗时约束**：自动标定约需58.16秒完成，但标定线程仅在机器人静止时偶尔运行且参数可延后更新，因此不影响实时性能。\n- **开源与应用约束**：硬件、代码与数据集已在GitHub开源，旨在提供开箱即用的低成本Camera+Livox激光雷达SLAM方案；主要约束包括标定需静止触发以消除运动模糊、使用卷帘快门相机，适用于大规模户外与强阳光场景。"
}