{
  "paper_id": "ea8dc06b1a66d276c230d0caafd4bdb6",
  "paper_title": "FAST-LIEO2: Fast and Tightly-Coupled LiDAR-Inertial-Event Odometry",
  "paper_authors": [
    "Jiang Wu",
    "Zirui Wang",
    "Jing Wu",
    "I-Ming Chen",
    "Zhenzhong Jia",
    "Boyu Zhou"
  ],
  "publication_date": "2025",
  "publication_venue": "IEEE Robotics and Automation Letters",
  "abstract": "在走廊和隧道等几何退化环境中，LiDAR-惯性里程计常因约束不足而漂移，而传统相机在高动态范围（HDR）光照和严重运动模糊下难以提供可靠的视觉约束。事件相机具有微秒级时间分辨率和高动态范围，可在具有挑战性的光照和快速运动下为状态估计提供额外信息源。本文提出FAST-LIEO2（以及可选RGB融合的FAST-LIEVO2），一个紧耦合的LiDAR-惯性-事件（-RGB）里程计框架，通过顺序更新的误差状态迭代卡尔曼滤波器（ESIKEF）融合LiDAR、事件和可选视觉量测，实现高效稳定的多模态状态估计。为缓解高活动区域的过度累积并保持低活动区域的结构，我们设计了根据事件活动度调整时间衰减参数的活动度自适应平滑时间面（AS-TS）。我们进一步维护两个事件子图，并设计由帧间几何对齐和随后的帧-图边缘对齐组成的粗到精分层事件更新策略，以改善先验位姿校正并扩大收敛域。在公开基准数据集和自采集数据集上的实验表明，FAST-LIEO2在多样的结构和光照条件下，其精度和鲁棒性优于所对比的多传感器SLAM基线，同时具备强大的实时性能。",
  "keywords": [
    "SLAM",
    "sensor fusion",
    "localization"
  ],
  "paper_institutions": [
    "Southern University of Science and Technology (SUSTech)"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "glm-5.3",
  "prompt_template": "simple",
  "extracted_at": "2026-09-17T09:39:19.231765Z",
  "template_tag": "simple",
  "summary": "### 摘要\n\n在走廊、隧道等几何退化环境中，LiDAR-惯性里程计常因几何约束不足而漂移，而传统RGB相机在高动态范围（HDR）光照与剧烈运动模糊下难以提供可靠的视觉约束。针对该问题，现有研究多采用基于光度一致性假设的多传感器融合SLAM（如LVI-SAM、R3LIVE、FAST-LIVO2等优化或滤波方法），但该假设在复杂光照与快速运动下易失效；事件相机虽具备微秒级时间分辨率与高动态范围，但其异步数据特性对高效事件表示与可靠量测模型提出挑战。本文提出FAST-LIEO2（及可选RGB融合的FAST-LIEVO2），一个紧耦合LiDAR-惯性-事件（-RGB）里程计框架，通过顺序更新的误差状态迭代卡尔曼滤波器（ESIKF）按LiDAR、事件、视觉的顺序融合不同维度的量测；其核心机制为活动度自适应平滑时间面（AS-TS）：将图像平面划分为s×s单元，基于滤波同步融合间隔内的事件计数经指数滑动平均得到局部活动度λ_k^j，再映射为单元级自适应时间衰减参数 τ_k^j = clip(γ/(λ_k^j + ε), τ_min, τ_max)，以缓解高活动区域的过度累积并保持低活动区域的边缘结构；同时维护全局与局部两个事件子图，并采用先帧间几何对齐、后帧-图边缘对齐的粗到精分层事件更新策略，以改善先验位姿校正并扩大收敛域。实验在公开基准ECMD（隧道与城市昼夜序列，起始速度约20 m/s）与VECtor（三个室内序列）以及自采集数据集（9个序列，覆盖室内、室外与室内外过渡场景）上进行，自采集平台配备DAVIS346事件相机（346×260）、HKVision RGB相机（1280×1024）与Livox Avia LiDAR，运行环境为Ubuntu 20.04、AMD Ryzen 7 9700X CPU与32 GB内存；这些数据集覆盖结构退化、HDR光照与大规模户外条件，用以验证方法在多样结构与光照条件下的精度与鲁棒性。评估采用ATE(RMSE)、ARE(RMSE)及端到端平移/旋转误差：FAST-LIEO2在ECMD多数序列上取得最优ATE（如Tunnel_e_b为0.476 m、Urban_night_e_a为0.726 m），在LiDAR退化序列trb-deg-loop上将FAST-LIO2的18.842 m端到端平移误差降至0.007 m，事件更新平均耗时仅1.50 ms，这些结果支持了AS-TS与粗到精事件更新在精度、鲁棒性与实时性上的有效性。未来工作将研究退化检测与自适应加权。系统在弱事件约束与多模态同时退化时可能性能下降，适用于结构退化、HDR光照及大规模户外等真实场景的鲁棒状态估计。\n\n### 关键要点\n\n- 方法：FAST-LIEO2是紧耦合LiDAR-惯性-事件里程计框架（FAST-LIEVO2为可选RGB融合版本），采用顺序更新的误差状态迭代卡尔曼滤波器（ESIKF），按LiDAR、事件、视觉的顺序融合条件独立但维度不同的多模态量测。\n- 方法：AS-TS将图像平面划分为s×s单元，基于滤波同步融合间隔内的事件计数经指数滑动平均（EMA）得到局部活动度，并映射为单元级自适应时间衰减参数，默认配置为s=16像素、α=0.1、γ=200、ε=1、τ_min=20 ms、τ_max=50 ms。\n- 方法：系统维护全局半稠密事件子图与局部事件子图（均为全局LiDAR地图的事件选择子集），将事件特定的地图管理与LiDAR点到平面地图解耦，并通过基于一致性的剪枝去除全局子图中的噪声或动态离群点。\n- 方法：粗到精两阶段事件更新先利用连续AS-TS帧间的Lucas-Kanade光流跟踪构建帧间几何约束进行粗校正，再在事件子图上进行帧-图边缘对齐精化，降低对先验位姿误差的敏感性并扩大收敛域。\n- 数据/实验设置：在公开基准ECMD（Tunnel_e_a/b/c、Urban_day_e_b、Urban_night_e_a）与VECtor（Units_dolly1、School_dolly1、Corridors_dolly1）及自采集数据集（9个序列）上评估，对比FAST-LIEO、FAST-LIVO2、FAST-LIO2、R3LIVE、ESVIO、ESVO2、Ultimate SLAM等基线，并使用EVO工具对照参考轨迹计算ATE与ARE。\n- 数据/实验设置：ECMD存在残余时间不一致与非均匀视觉采样，需经验性固定离线时间偏移补偿（如RGB-IMU偏移0.12–0.14 s、DVXplorer-IMU偏移1.5 s）；VECtor提供可靠同步配置，实验遵循数据集发布配置。\n- 证据/结果：在ECMD上FAST-LIEO2取得多数序列最优ATE（如Tunnel_e_b为0.476 m、Tunnel_e_a为0.806 m），而R3LIVE、ESVIO、ESVO2、Ultimate SLAM等在初始化不准时易失败；在VECtor三个室内序列上均稳定运行且误差最低或接近最低。\n- 证据/结果：AS-TS消融实验显示，相比固定30 ms衰减的标准TS，AS-TS在ECMD全部五个序列上ATE更低（如Tunnel_e_b从0.825 m降至0.476 m），在自采集数据集上增益更显著（如cob-2f-loop平移误差从5.530 m降至0.004 m、cn2-loop从3.183 m降至0.038 m）。\n- 证据/结果：在LiDAR退化序列trb-deg-loop上，FAST-LIEO2将端到端平移误差从FAST-LIO2的18.842 m降至0.007 m；在HDR序列（如coe-5f-loop、cob-ioi-loop）上保持低漂移，而多个基线出现米级误差；在总轨迹超过2 km的大规模户外序列上可靠收敛。\n- 证据/结果：实时性分析表明事件更新平均耗时1.50 ms（其中事件子图构建0.74 ms、事件几何更新0.38 ms），LiDAR更新7.99 ms，视觉更新23.59 ms，确认了强实时性能。\n- 约束：视觉量测为条件性有益——在ECMD的高速运动、粗同步与非均匀视觉采样下稀疏直接视觉残差会退化，而在VECtor的平稳运动、较好同步与规律光照下提供有效互补约束；强光照变化下FAST-LIEO2通过避免不可靠视觉更新实现更稳定里程计。\n- 约束：参数敏感性分析表明时间衰减范围[τ_min, τ_max]影响最大（过短导致边缘断裂与响应不足，过长保留陈旧事件使边缘增厚），γ与ε因截断而不敏感；系统在弱事件约束与多模态同时退化时可能性能下降，未来将研究退化检测与自适应加权。"
}