{
  "paper_id": "cb2e113c852f944418fd4b2d38433d02",
  "paper_title": "CT-VoxelMap: Efficient Continuous-Time LiDAR-Inertial Odometry with Probabilistic Adaptive Voxel Mapping",
  "paper_authors": [
    "Lei Zhao",
    "Xingyi Li",
    "Tianchen Deng",
    "Chuan Cao",
    "Han Zhang",
    "Weidong Chen"
  ],
  "publication_date": "",
  "publication_venue": "unknown",
  "abstract": "Maintaining stable and accurate localization during fast motion or on rough terrain remains highly challenging for mobile robots with onboard resources. Currently, multi-sensor fusion methods based on continuous-time representation offer a potential and effective solution to this challenge. Among these, spline-based methods provide an efficient and intuitive approach for continuous-time representation. Previous continuous-time odometry works based on B-splines either treat control points as variables to be estimated or perform estimation in quaternion space, which introduces complexity in deriving analytical Jacobians and often overlooks the fitting error between the spline and the true trajectory over time. To address these issues, we first propose representing the increments of control points on matrix Lie groups as variables to be estimated. Leveraging the feature of the cumulative form of B-splines, we derive a more compact formulation that yields simpler analytical Jacobians without requiring additional boundary condition considerations. Second, we utilize forward propagation information from IMU measurements to estimate fitting errors online and further introduce a hybrid feature-based voxel map management strategy, enhancing system accuracy and robustness. Finally, we propose a re-estimation policy that significantly improves system computational efficiency and robustness. The proposed method is evaluated on multiple challenging public datasets, demonstrating superior performance on most sequences. Detailed ablation studies are conducted to analyze the impact of each module on the overall pose estimation system.",
  "keywords": [
    "Continuous-time Odometry",
    "Mapping",
    "Sensor fusion"
  ],
  "paper_institutions": [],
  "output_language": "zh",
  "provider": "doubao",
  "model": "glm-5.3",
  "prompt_template": "simple",
  "extracted_at": "2026-09-17T09:41:24.498657Z",
  "template_tag": "simple",
  "summary": "### 摘要\n\n移动机器人在剧烈颠簸或快速运动条件下利用机载资源维持稳定精确的位姿估计仍是关键挑战，基于连续时间表示的多传感器融合方法（尤其是B样条类方法）为此提供了有效途径，但既有工作要么直接将控制点作为估计变量、要么在四元数空间进行估计，导致解析雅可比推导复杂且往往忽略样条与真实轨迹之间的拟合误差。本文提出CT-VoxelMap，一种基于IEKF的高效连续时间LiDAR-惯性里程计框架：首先在矩阵李群SO(3)上以控制点增量作为待估计变量，利用累积形式三次B样条（核心机制为 R(t)=R_{i-1}·∏_{j=0}^{N-1}Exp(λ̃_j(u)·d_j)，其中 d_j=Log(R_{i+j-1}^{-1}R_{i+j})）推导出更紧凑的表示，获得形式统一、无需额外边界条件处理的简化解析雅可比；其次利用IMU前向传播信息在线估计样条拟合误差，并引入平面特征与体素特征混合的概率自适应体素地图管理策略；最后提出重估计策略，将m维观测问题分解为k个m/k维子问题，显著提升计算效率与鲁棒性。方法在四个公开数据集上评估——M2UD（全地形车、楼梯/森林/操场等粗糙地形）、MARS-LVIG（四旋翼无人机8–12 m/s高速飞行）、Diter++（四足机器人、剧烈振动与不规则地形）、MCD（地面机器人、校园、有限视场LiDAR），其多样的平台、运动模式与传感器配置用于验证方法的适应性；实验在i5-12400F CPU、16GB RAM的统一硬件上进行，节点频率按数据集调整（MCD 80Hz、M2UD与MARS-LVIG 50Hz、Diter++ 35Hz），采用evo工具计算APE的RMSE与MAX指标（每序列运行三次取平均）。结果显示方法在多数序列上优于CLIC、FAST-LIO2、RESPLE、FAST-LIVO2等基线（如MCD ntu-night-13上CT-VLO RMSE 0.381m、Diter++ Park-in-day-cam-free上CT-VLO RMSE 0.214m），消融实验证实拟合误差建模、体素特征与重估计策略各自的必要性（不考虑拟合误差时系统完全失效）。未来工作需扩展至高度动态与遮挡环境，且重估计策略在严重传感器退化场景下有效性可能受限；实际应用涵盖自动驾驶、具身智能、巡检与搜救等场景，需应对机载计算资源约束与传感器时间同步等约束。\n\n### 关键要点\n\n- 方法核心：在矩阵李群SO(3)上估计控制点增量 d_j 而非控制点本身，基于累积形式三次B样条 R(t)=R_{i-1}·∏Exp(λ̃_j(u)·d_j) 推导出形式统一的简化解析雅可比，消除 j=0 与 j=N-1 边界条件的单独处理，且增量作为小量保持在小范围内有利于状态估计。\n- 拟合误差在线估计：利用IMU前向传播位姿与连续轨迹插值位姿之差在线估计样条拟合误差，假设其服从高斯分布并传播至观测噪声；消融实验表明不考虑拟合误差时系统在三个数据集上均完全失效（成功率0/10）。\n- 混合特征体素地图：采用平面特征与体素特征的混合表示，通过粗到细的自适应体素分解策略构建，对LiDAR点测量不确定性与位姿不确定性建模并传播至特征（特征值、特征向量、均值），配准时依据3σ原则进行特征滤波。\n- 重估计策略：采用较短预测区间，当区间内点数超过阈值时启动固定数量采样-估计-再采样循环，将m维观测问题分解为k个m/k维子问题，降低卡尔曼增益计算复杂度，同时通过短区间内多次迭代估计提升对实际运动的贴合度。\n- 数据集选择：在四个公开数据集上评估——M2UD（全地形车、楼梯/森林/操场）、MARS-LVIG（四旋翼无人机中高速8–12 m/s）、Diter++（四足机器人、剧烈振动复杂地形）、MCD（地面机器人、校园、有限视场LiDAR），覆盖多样平台与环境以验证适应性。\n- 实验设置：统一硬件平台（i5-12400F CPU、16GB RAM），节点频率按数据集调整（MCD 80Hz、M2UD与MARS-LVIG 50Hz、Diter++ 35Hz），每序列运行三次并对APE的RMSE与MAX取平均以消除随机误差，基线包括CLIC、FAST-LIO2、RESPLE、FAST-LIVO2。\n- 精度结果：所提方法在多数序列上取得最优APE指标，如MCD ntu-night-13上CT-VLO RMSE 0.381m（对比F-LIO2的1.288m、F-LIVO2的1.112m），Diter++ Park-in-day-cam-free上CT-VLO RMSE 0.214m为全场最优。\n- 挑战序列表现：M2UD aggressive04（上下楼梯、大俯仰运动）中仅RESPLE与本文方法完成全序列且本文性能更优（CT-VLO RMSE 0.690m）；MARS-LVIG AMtown03（快速大角度转弯、LiDAR退化）中CLIC失效，CT-VLIO以RMSE 2.033m取得最优。\n- IMU融合的约束：MCD ntu-night-13因IMU与LiDAR测量存在时间延迟，连续时间方法对时间戳敏感，融合IMU反而降低性能（CT-VLO 0.381m vs CT-VLIO 1.229m）；M2UD aggressive04粗糙地形下IMU测量突变未专门处理，导致CT-VLO优于CT-VLIO。\n- 体素特征的双面性：体素特征占比高时系统稳定性与性能下降，占比低时正向提升——MCD上引入体素特征导致成功率由10/10降至9/10，而MARS-LVIG上去除体素特征使Max误差由3.972m恶化至18.959m。\n- 重估计次数权衡：最大重估计次数过低导致扫描点大量丢弃而系统失效（AMtown03上≤4次均失败），过高则增加处理时间，10次时性能最优，实际应用中设为5以平衡性能与效率。\n- 实际机器人验证与局限：轮腿机器人（Livox Mid-360）校园实验（植物园、河边、花园）中CT-VLIO在botanical02上RMSE 0.821m优于F-LIO2的1.249m；局限包括需进一步扩展至高度动态与遮挡环境，以及重估计策略在严重传感器退化环境下有效性可能受损。"
}