{
  "paper_id": "f6bc10c747cb2cfc33ee0119b6504df0",
  "paper_title": "SC-FAST-LIVO2: A Cross-Modal Loop Closure Framework for Long-Term SLAM with Reduced Drift",
  "paper_authors": [
    "Yuang Zhou",
    "Xiankun Jiang",
    "Hongze Wang",
    "Zihan Zhao",
    "Xuanbo Wang"
  ],
  "publication_date": "",
  "publication_venue": "2026 7th International Conference on Artificial Intelligence, Robotics, and Control (AIRC)",
  "abstract": "This paper presents a hybrid loop closure detection framework for LiDAR-Visual SLAM systems, integrating a robust Scan Context descriptor and a Pose Graph Optimization module into a framework named SC-FAST-LIVO2. The proposed module performs keyframe extraction and pose graph construction, and enables threshold-based loop closure detection using normalized similarity scoring for candidate matching. This module also facilitates the final global map establishment and optimization while eliminating drifts for global consistency. The Pose Graph Optimization module is integrated using SE(3) constraints, subscribing the point cloud message, the pose information, and publishing the feedback with adaptive covariance scaling. Extensive experiments show the proposed method reduces the absolute translational errors, demonstrating an effective drift correction in large-scale environments. The modular system design enables independent enhancement of individual components while maintaining overall SLAM consistency.",
  "keywords": [
    "SLAM",
    "Pose Graph Optimization",
    "Loop Closure Detection",
    "Scan Context"
  ],
  "paper_institutions": [
    "Dundee International Institute, Central South University",
    "Changkong College",
    "International School, Beijing University of Posts and Telecommunications",
    "Nanjing University of Aeronautics and Astronautics",
    "School of Mechanical Engineering, Dalian University of Technology"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "glm-5.3",
  "prompt_template": "simple",
  "extracted_at": "2026-09-17T09:43:37.974373Z",
  "template_tag": "simple",
  "summary": "### 摘要\n\n长期运行的LiDAR-视觉SLAM系统面临累积漂移难题：即使漂移仅为行程的1–2%，长期累积也会造成严重位姿误差（如LIO-SAM在NTU VIRAL数据集部分序列中最大漂移达1257.159 m），导致地图不一致并危及自主运行安全。现有研究呈现两条互补路线：LIO-SAM等紧耦合方法通过回环检测与位姿图优化（PGO）保持全局一致性，但大规模场景下全局地图维护带来明显计算开销；FAST-LIVO2凭借稀疏直接数据处理管线与顺序更新的误差状态迭代卡尔曼滤波（ESIKF）在动态环境和资源受限平台上具有卓越实时性，却缺乏专门的回环闭合机制，在大规模长时任务中产生显著地图畸变与位姿误差。为此，本文提出SC-FAST-LIVO2混合框架，将基于Scan Context描述符的鲁棒回环检测与基于iSAM2的SE(3)位姿图优化后端无缝集成到FAST-LIVO2前端：系统通过平移/旋转双阈值进行智能关键帧选择，采用两阶段粗到细回环检测（Scan Context极坐标网格描述符归一化相似度粗匹配、ICP点云配准精验证），构建由先验、里程计与回环三类因子组成的位姿图，并以增量方式求解核心优化目标 T_k* = argmin Σ‖f(T_i, T_j)‖²_Σ（马氏距离意义下的最大后验估计），最后将位姿校正 ΔT_k = T_k*·T_k⁻¹ 传播至共享体素地图以消除累积漂移。实验选用Hilti'22与Hilti'23数据集（涵盖建筑工地、走廊、楼梯、黑暗房间等弱纹理、光照多变、LiDAR平面约束不足的挑战场景，提供毫米级真值，用于客观基准对比）以及FAST-LIVO2私有数据集（20条返回起点轨迹的序列，覆盖校园建筑、走廊、地下室与矿井隧道，专门用于漂移评估），系统基于ROS实现，运行于Intel i9-13900H CPU与32GB RAM平台，体素地图根尺寸0.5 m、PGO更新频率20，且所有序列与数据集使用相同参数以验证方法鲁棒性。以绝对平移误差（RMSE）为指标，本方法平均RMSE为0.035 m，较基线FAST-LIVO2降低6.58%，在绝大多数序列上优于SDV-LOAM、FAST-LIO2、FL2BIPS、FL2BIPS-GTSFM、Leapmotor、FrankenPharos与FAST-LIVO等先进方法，验证了跨模态Scan Context回环检测与自适应协方差PGO在漂移校正中的有效性。未来工作将探索融合LiDAR与视觉信息的回环检测方法，并增强Scan Context描述符与位姿图优化模块以更好利用多模态融合。该系统面向GPS拒止环境（地下隧道、密集城市峡谷、室内设施）中自主机器人、自动驾驶与无人机的长时大规模导航，适用于从工业巡检到城市探索的任务；其约束在于轨迹缺少重访时回环收益自然受限、极端视角变化下前端鲁棒性可能退化，但模块化设计保证了与现有FAST-LIVO2应用的向后兼容并允许独立增强各组件。\n\n### 关键要点\n\n- 提出SC-FAST-LIVO2混合回环框架，将Scan Context描述符与位姿图优化（PGO）后端集成到FAST-LIVO2前端，弥补其缺乏专门回环机制、长期一致性不足的缺陷。\n- 关键帧选择基于平移欧氏距离与旋转角差双阈值判据，超过阈值即创建包含完整位姿、点云与特征描述符的新关键帧，兼顾处理开销与轨迹精度。\n- 回环检测采用两阶段粗到细架构：Scan Context将点云投影到极坐标网格并按最大高度编码为旋转不变的二维特征矩阵进行粗匹配，再用ICP精配准并以平均拟合误差阈值验收，辅以时间一致性检查剔除不稳定匹配。\n- 位姿图由先验因子、里程计因子与回环因子三类SE(3)约束构成，采用iSAM2增量求解，仅优化受新数据影响的子图并通过边缘化保持稀疏性以满足实时性。\n- 优化后通过 ΔT_k = T_k*·T_k⁻¹ 计算位姿校正量，将点云经优化位姿变换到全局坐标系，再经体素栅格滤波下采样融合为全局一致的稠密地图，实现漂移补偿。\n- 系统基于ROS实现，运行于Intel i9-13900H CPU与32GB RAM平台，体素地图根尺寸0.5 m、八叉树最大层数3、PGO更新频率20，且所有序列与数据集使用相同参数与传感器配置。\n- 实验数据集包括Hilti'22与Hilti'23（室内外异构场景、毫米级真值、经官方平台评测）以及FAST-LIVO2私有数据集（20条返回起点轨迹序列，覆盖校园、走廊、地下室、矿井隧道等结构稀疏与弱纹理环境）。\n- 在Hilti基准上，本方法平均绝对平移误差RMSE为0.035 m，较基线FAST-LIVO2降低6.58%，多数序列优于SDV-LOAM、FAST-LIO2、FL2BIPS、FL2BIPS-GTSFM、Leapmotor、FrankenPharos等方法。\n- 在Outside Building序列中因真值轨迹不含回环，本方法相对基线无显著提升，表明回环闭合的收益依赖于轨迹存在重访。\n- 在FAST-LIVO2私有数据集上，本方法消除了基线的回环伪影，在相机与场景大视角区域通过位姿校准与局部地图重建显著提升建图质量与轨迹精度。\n- 局限性在于轨迹缺少重访时无法建立可靠的地点识别约束、回环收益受限，且极端视角变化下前端鲁棒性可能退化。\n- 模块化设计保证与现有FAST-LIVO2应用的向后兼容，允许独立增强各组件同时维持整体SLAM一致性，适用于工业巡检、城市探索等长时大规模任务。"
}