NM-LIO: Multiple LiDAR-Inertial Odometry Addressing LiDAR Measurement Noise Discrepancy
KAIST (Korea Advanced Institute of Science and Technology)（韩国科学技术院）；Hanwha Aerospace（韩华航空航天）
本文提出NM-LIO，通过噪声模型量化各LiDAR测量噪声并估计残差不确定性，解决多LiDAR系统噪声差异问题，提升里程计估计准确性。
2026-10-06 cs.RO
LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping
Massachusetts Institute of Technology（麻省理工学院）；Stevens Institute of Technology（斯蒂文斯理工学院）
我们提出了一个框架，通过平滑和映射，LIO-SAM，实现高度准确，实时的移动机器人轨迹估计和地图建设的紧密耦合激光雷达惯性里程计。LIO-SAM将激光雷达惯性里程计公式化在因子图之上，允许将来自不同来源的大量相对和绝对测量（包括环路闭合）作为因子纳入系统。来自惯性测量单元（IMU）预积分的估计运动对点云进行去偏斜，并产生用于激光雷达测距优化的初始猜测。所获得的激光雷达测距解被用于估计IMU的偏差。为了确保实时的高性能，我们将旧的激光雷达扫描边缘化以进行姿态优化，而不是将激光雷达扫描与全局地图相匹配。局部尺度而不是全局尺度的扫描匹配显著地提高了系统的实时性能，关键帧的选择性引入以及将新关键帧注册到固定大小的先前子关键帧集合的有效滑动窗口方法也是如此。该方法在从不同规模和环境的三个平台收集的数据集上进行了广泛的评估。
2020-07-14 cs.RO
Pseudo-LiDAR for Visual Odometry
China University of Mining and Technology（中国矿业大学）；Shanghai Jiao Tong University（上海交通大学）
在现有方法中，LiDAR测距法表现出优越的性能，但视觉里程计因其价格优势仍被广泛应用。传统上，视觉里程计的任务主要依赖于连续图像的输入。然而，里程计网络学习图像提供的对极几何信息是非常复杂的。本文将伪激光雷达的概念引入到里程测量中来解决这一问题。伪LiDAR点云将图像生成的深度图反投影到3D点云中，改变了图像的表示方式。与立体图像相比，由立体匹配网络生成的伪LiDAR点云可以得到明确的三维坐标。由于6自由度（DoF）位姿变换发生在3D空间中，因此由伪LiDAR点云提供的3D结构信息比图像更直接。与稀疏LiDAR相比，伪LiDAR具有更密集的点云。为了充分利用伪激光雷达提供的丰富点云信息，采用了一种投影感知的密集测距流水线。大多数以前的基于LiDAR的算法从点云中采样8192个点作为里程计网络的输入。投影感知密集测距管道将从图像生成的所有伪LiDAR点云（除了错误点）作为网络的输入。在充分利用图像中三维几何信息的同时，图像中的语义信息也被用于里程计任务。2D-3D的融合是在仅基于图像的里程计中实现的。在KITTI数据集上的实验证明了该方法的有效性。据我们所知，这是第一个使用伪激光雷达的视觉里程计方法。
2022-09-04 cs.CV cs.RO
ATI-CTLO:Adaptive Temporal Interval-based Continuous-Time LiDAR-Only Odometry
School of Automation, Southeast University（东南大学自动化学院）
本文提出ATI-CTLO，一种基于自适应时间间隔的连续时间纯LiDAR里程计，通过线性插值灵活调整控制节点间隔，在剧烈运动和特征稀疏场景下优于现有方法。
2024-10-21 cs.RO
LIC-Fusion: LiDAR-Inertial-Camera Odometry
Zhejiang University（浙江大学）；University of Delaware（特拉华大学）
提出了一种紧耦合的多传感器融合算法LiDAR-惯性相机融合（LIC-Fusion），该算法有效地融合了IMU测量、稀疏视觉特征和提取的LiDAR点。特别是，拟议的LIC融合执行所有三个异步传感器之间的在线空间和时间传感器校准，以补偿可能的校准变化。其主要贡献是在一个有效的基于MSCKF的框架内，对从LiDAR扫描中检测和跟踪的稀疏边缘/冲浪特征点进行最佳（线性化误差）多模态传感器融合，同时进行稀疏视觉特征观测和IMU读数。我们在室内和室外环境中进行了广泛的实验，表明所提出的LIC融合在估计精度和对侵略性运动的鲁棒性方面优于最先进的视觉惯性测距法（VIO）和LiDAR测距法。
2019-11-01 cs.RO
Enhance Accuracy: Sensitivity and Uncertainty Theory in LiDAR Odometry and Mapping
Zhejiang University（浙江大学）；Hangzhou Dianzi University（杭州电子科技大学）；Meituan（美团）；University of Delaware（特拉华大学）
目前，提高LiDAR位姿估计精度是移动机器人的迫切需求。研究表明，不同的LiDAR点对位姿估计精度的影响不同。本研究的目的是选择一个好的点集，以提高精度。因此，LiDAR点残差的灵敏度和不确定性被制定为推导和分析的基本基础。高灵敏度和低不确定性点残差项是优选的，以实现更高的姿态估计精度。所提出的选择方法已被理论证明是能够实现全局统计最优。在人工数据上进行了测试，并与KITTI基准进行了比较。它还在室内和室外的LiDAR测距（LO）和LiDAR惯性测距（LIO）中实施。实验表明，利用选定的LiDAR点残差，同时提高优化精度，减少残差项，并保证实时性能。
2022-08-16 cs.RO
Piecewise Linear De-skewing for LiDAR Inertial Odometry
Institute for Infocomm Research, A-STAR（新加坡科技研究局信息通信研究院）；Nanyang Technological University（南洋理工大学）
移动智能体上的光检测和测距（LiDAR）可能由于LiDAR的同时旋转和智能体的快速移动而遭受运动失真。提出了一种精确的分段线性去偏算法，利用惯性测量单元（IMU）提供的高频运动信息对LiDAR惯性测距（LIO）中的运动失真进行校正。实验结果表明，该算法可以提高现有LIO算法的性能，特别是在快速运动的情况下。
2021-08-13 cs.RO
LiDAR Odometry Methodologies for Autonomous Driving: A Survey
Worcester Polytechnic Institute（伍斯特理工学院）
车辆里程计是自动驾驶系统的重要组成部分，因为它计算车辆的位置和方向。里程模块在全球导航卫星系统（GNSS）信号微弱且嘈杂的城市地区具有更高的需求和影响。传统的视觉里程计方法在进行位姿估计时，由于光照条件的多样性和视差的影响，导致误差累积较大。使用光检测和测距（LiDAR）设备的测距已经吸引了越来越多的研究兴趣，因为LiDAR设备对照明变化是鲁棒的。在这项调查中，我们检查了现有的激光雷达测距方法，并总结了管道，并描绘了几个中间步骤。此外，现有的激光雷达测距方法进行了分类，其对应类型，其优点，缺点和相关性进行了分析，跨类和类内的每一步。最后，我们比较了这些方法的准确性和运行速度在KITTI里程计数据集上进行评估，并概述了有前途的未来研究方向。
2021-09-13 cs.RO eess.SP
PaGO-LOAM: Robust Ground-Optimized LiDAR Odometry
KAIST (Korea Advanced Institute of Science and Technology)（韩国科学技术院）
许多研究人员进行了研究，以实现快速和强大的地面优化的激光雷达测距方法的陆地移动平台。特别地，地面优化的LiDAR测距通常采用地面分割作为预处理方法。这是因为由地面平台上的3D LiDAR传感器捕获的3D点云中的大多数点都来自地面。然而，地面分割的性能对激光雷达测距的影响仍然没有得到密切的研究。在本文中，提出了一个强大的地面优化的LiDAR里程框架，以方便研究，以检查地面分割对LiDAR SLAM的最先进的（SOTA）方法的基础上的效果。通过使用我们提出的里程框架，它是简单和直接的测试地面分割算法是否有助于提取良好描述的功能，从而提高SLAM的性能。此外，通过利用SOTA地面分割方法Patchwork，即使在复杂和不均匀的城市环境中也显示出强大的地面分割，性能扰动很小，提出了一种新的地面优化LiDAR里程计，称为PaGO-LOAM。使用KITTI里程计数据集的方法进行了测试。与基线方法相比，\textit{PaGO-LOAM}显示出稳健和准确的性能。我们的代码可在https://github.com/url-kaist/AlterGround-LeGO-LOAM上获得。
2022-06-01 cs.CV cs.RO
LIO-EKF: High Frequency LiDAR-Inertial Odometry using Extended Kalman Filters
Institute of Geodesy and Geoinformation, University of Bonn（波恩大学大地测量与地理信息研究所）；Department of Engineering Science at the University of Oxford（牛津大学工程科学系）；Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）
本文提出紧耦合LIO-EKF激光雷达-惯性里程计系统，利用点到点配准、扩展卡尔曼滤波和考虑不确定性的自适应数据关联减少参数调优，在保持先进精度的同时显著提升计算速度。
2024-05-08 cs.RO
Kinematic-ICP: Enhancing LiDAR Odometry with Kinematic Constraints for Wheeled Mobile Robots Moving on Planar Surfaces
Center for Robotics, University of Bonn（波恩大学机器人中心）；Dexory；Department of Engineering Science at the University of Oxford（牛津大学工程科学系）；Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）
本文针对轮式移动机器人在平面场景的LiDAR里程计问题，提出Kinematic-ICP方法，在传统ICP优化中引入运动学约束并动态调整LiDAR与轮式里程计权重，实验表明其性能优于现有方法且已在实际场景部署。
2025-02-10 cs.RO
Lidar-Monocular Visual Odometry with Genetic Algorithm for Parameter Optimization
Advanced Robotics and Automation (ARA) Laboratory（先进机器人与自动化实验室）；Computer Vision Laboratory (CVL)（计算机视觉实验室）；Evolutionary Computing Systems Lab, University of Nevada, Reno（内华达大学里诺分校进化计算系统实验室）
激光雷达-单目视觉里程计（LIMO）是一种里程估计算法，它结合摄像机和光探测和测距传感器（LIDAR），通过跟踪摄像机特征以及LIDAR测量的特征来进行视觉定位，并使用基于鲁棒关键帧的束平差来估计运动。为了拒绝离群值，LIMO使用语义标记和植被地标的权重。LIMO以及许多其他里程估计算法的缺点是，它具有许多参数，这些参数需要根据环境中的动态变化来手动调整，以便减少平移误差。在本文中，我们提出并讨论了使用遗传算法优化参数的参考LIMO和最大限度地提高LIMO的定位和运动估计性能。我们评估我们的方法在著名的KITTI里程数据集，并表明，遗传算法有助于LIMO，以减少在不同的数据集的翻译错误。
2019-03-05 cs.RO
L-LO: Enhancing Pose Estimation Precision via a Landmark-Based LiDAR Odometry
Chongqing University（重庆大学）
提出基于地标的LiDAR里程计L-LO，通过水平与垂直两阶段估计，利用综合相似度指标匹配地标，在KITTI及自采数据上提升定位精度。
2023-12-28 cs.RO
Direct LiDAR Odometry: Fast Localization with Dense Point Clouds
University of California Los Angeles（加州大学洛杉矶分校）；NASA Jet Propulsion Laboratory, California Institute of Technology（加州理工学院 NASA 喷气推进实验室）
感知挑战环境中的现场机器人需要快速准确的状态估计，但现代LiDAR传感器很快就压倒了当前的里程计算法。为此，本文提出了一种轻量级前端LiDAR测距解决方案，可为计算有限的机器人平台提供一致和准确的定位。我们的直接激光雷达测距（DLO）方法包括几个关键的算法创新，优先考虑计算效率，并能够使用密集的，最小预处理的点云来实时提供准确的姿态估计。这是通过一个新的关键帧系统，有效地管理历史地图信息，除了一个自定义的迭代最近点求解器快速点云配准与数据结构回收。我们的方法是更准确的计算开销较低，比目前的国家的最先进的，并已在多个感知上具有挑战性的环境中进行了广泛的评估空中和足式机器人作为美国宇航局喷气推进实验室团队CoSTAR的研究和开发工作的DARPA地下挑战赛的一部分。
2022-01-07 cs.RO
Panoramic Direct LiDAR-assisted Visual Odometry
Li Siguang School, China University of Geosciences, Wuhan（李四光学院，中国地质大学（武汉））；Institute of Artificial Intelligence, Huazhong University of Science and Technology, Wuhan（人工智能研究院，华中科技大学）；School of Electronic Information and Communications, Huazhong University of Science and Technology, Wuhan（电子信息与通讯学院，华中科技大学）；School of Optoelectronic Engineering, Xidian University, Xian（光电工程学院，西安电子科技大学）
本文提出一种全景直接LiDAR辅助视觉里程计，通过关联360度FOV的LiDAR点与全景图像数据，克服了单目相机有限FOV导致的鲁棒性差问题，提升了跟踪精度。
2025-09-14 cs.RO
Point wise or Feature wise? Benchmark Comparison of Public Available LiDAR Odometry Algorithms in Urban Canyons
鲁棒、精确的定位对于具有导航要求的自主系统至关重要。光探测和测距（LiDAR）里程计在过去几十年中被广泛研究，以实现这一目标。使用现有的LiDAR测距（LO）算法，可以在具有丰富环境特征的场景中实现令人满意的精度。不幸的是，激光雷达测距的性能显着下降，在城市峡谷与众多的动态对象和复杂的环境结构。同时，从现有文献中仍然不清楚哪些LO算法在这种具有挑战性的环境中表现良好。为了填补这一空白，本文评估了一系列流行的和广泛研究的LO管道在香港城市峡谷收集的数据集。我们提出的结果在其定位精度和计算效率。本文总结了影响城市峡谷中LO性能的三个主要因素，即自车动力学、运动物体和城市化程度。根据我们的实验结果，逐点实现更好的精度在城市峡谷，而功能明智的实现成本效益和令人满意的定位精度。
2021-06-29 cs.RO
A Robust Approach for LiDAR-Inertial Odometry Without Sensor-Specific Modeling
University of Bonn, Center for Robotics（波恩大学机器人中心）
本文提出一种无需传感器特定建模的鲁棒激光雷达-惯性里程计方法，通过简化惯性测量单元积分模型和直接扫描到地图的激光雷达配准，提升整体里程计性能，并在多种机器人传感器和平台数据集上验证了其鲁棒性。
2026-04-16 cs.RO
Sensor Aware Lidar Odometry
Yandex LLC（Yandex有限责任公司）
提出了一种将传感器物理知识融入到计算中的激光雷达测距方法。测量误差模型使得点正态协方差的估计精度更高。相邻的激光束被用于异常对应拒绝方案中。该方法以1.37%的定位误差排在KITTI的排行榜上。与LOAM方法相比，在内部数据集上实现了3.67%。
2020-01-20 cs.CV cs.RO
RELEAD: Resilient Localization with Enhanced LiDAR Odometry in Adverse Environments
School of Systems Science and Engineering, Sun Yat-sen University（中山大学系统科学与工程学院）；Hong Kong University of Science and Technology（香港科技大学）；Hong Kong Polytechnic University（香港理工大学）
RELEAD提出一种以LiDAR为中心的弹性定位方法，通过约束ESIKF更新和基于GNC的图优化解决扫描匹配退化问题，并引入鲁棒增量固定滞后平滑器，在退化场景中优于现有最先进的LiDAR惯性及视觉惯性里程计方法。
2024-03-15 cs.RO
Self-supervised Learning of LiDAR Odometry for Robotic Applications
ETH Zürich（苏黎世联邦理工学院）；Max Planck ETH Center for Learning Systems（马克斯·普朗克-苏黎世联邦理工学院学习系统中心）
可靠的机器人位姿估计是许多机器人自主管道的关键构建块，LiDAR定位是一个活跃的研究领域。在这项工作中，提出了一种通用的自监督LiDAR里程估计方法，以便在保持实时性能的同时有效利用所有可用的LiDAR数据。所提出的方法在训练期间选择性地应用几何损失，认识到可以从扫描点提取的信息量。此外，不需要标记或地面实况数据，因此使得所提出的方法适用于难以获得准确地面实况的应用中的姿态估计。此外，所提出的网络架构适用于广泛的环境和传感器模态，而不需要任何网络或损失函数调整。通过使用腿式、履带式和轮式机器人的各种实验，对所提出的方法进行了室内和室外真实世界应用的彻底测试，证明了基于学习的LiDAR测距法适用于复杂的机器人应用。
2021-06-25 cs.RO
Optimized SC-F-LOAM: Optimized Fast LiDAR Odometry and Mapping Using Scan Context
Chongqing University（重庆大学）
LiDAR里程计可以在短行驶距离或小规模环境中实现精确的车辆姿态估计，但是对于长行驶距离或大规模环境，由于累积的估计误差，精度恶化。此缺点需要在SLAM框架中包含环路闭合检测以抑制累积误差的不利影响。为了提高姿态估计的准确性，我们提出了一种新的基于LiDAR的SLAM方法，该方法使用F-LOAM作为LiDAR里程计，扫描上下文用于环路闭合检测，GTSAM用于全局优化。在我们的方法中，一个自适应的距离阈值（而不是一个固定的阈值）的环路闭合检测，实现更准确的环路闭合检测结果。此外，在我们的方法中使用基于特征的匹配方法来计算环路闭合点云对之间的车辆姿态变换，而不是使用由LiDAR传感器获得的原始点云，这显着减少了计算时间。KITTI数据集用于验证我们的方法，实验结果表明，所提出的方法优于典型的LiDAR测距/SLAM方法在文献中。我们的代码是为了社区的利益而公开提供的。
2023-03-15 cs.RO
LiLO: Lightweight and low-bias LiDAR Odometry method based on spherical range image filtering
University of Alicante（阿利坎特大学）
提出一种基于球面距离图像滤波的轻量级低偏差激光雷达里程计方法，通过图像平面特征提取降低计算成本，在KITTI数据集上实现低误差和快速运行。
2023-11-13 cs.RO
CM-LIUW-Odometry: Robust and High-Precision LiDAR-Inertial-UWB-Wheel Odometry for Extreme Degradation Coal Mine Tunnels
School of Mechatronic Engineering, China University of Mining and Technology（机械电子工程学院，中国矿业大学）
针对煤矿巷道无GPS且环境退化导致SLAM困难的问题，提出基于IESKF的CM-LIUW-Odometry多模态紧耦合框架，融合LiDAR、IMU、UWB与轮式里程计并采用自适应运动模式切换，实现了高精度鲁棒定位。
2025-11-03 cs.RO
Continuous-Time Radar-Inertial and Lidar-Inertial Odometry using a Gaussian Process Motion Prior
University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）；Technical University of Munich（慕尼黑工业大学）
本文提出基于高斯过程运动先验的连续时间雷达-惯性与激光雷达-惯性里程计，利用稀疏先验降低计算复杂度，并通过融合IMU将雷达里程计性能提升43%，实现实时运行。
2024-11-20 cs.RO
MOLA LiDAR-Inertial Odometry (MOLA-LIO) on the COMFORT Localization Benchmark
University of Almería（阿尔梅里亚大学）
本文介绍 MOLA-LIO，一种扩展自 MOLA-LO 的激光雷达-惯性里程计系统，融合 IMU 与可选腿部运动学数据，在 COMFORT 基准的 GrandTour 数据集上验证了实时性能。
2026-09-23 cs.RO
Loam_livox: A fast, robust, high-precision LiDAR odometry and mapping package for LiDARs of small FoV
Hong Kong University（香港大学）
LiDAR测距和测绘（LOAM）在自动驾驶汽车中发挥着重要作用，因为它能够同时定位机器人的姿态并构建周围环境的高精度，高分辨率地图。这实现了自动驾驶车辆的自主导航和安全路径规划。在本文中，我们提出了一个强大的，实时的LOAM算法的激光雷达小视场和不规则的采样。通过在前端和后端上的努力，我们解决了这些LiDAR所带来的几个基本挑战，并在精度和效率方面实现了与现有基线相比更好的性能。为了分享我们的发现并为社区做出贡献，我们在Github上开源了我们的代码
2019-09-15 cs.CV cs.RO eess.IV
Mesh-LOAM: Real-time Mesh-Based LiDAR Odometry and Mapping
Zhejiang University（浙江大学）
提出Mesh-LOAM，一种基于隐式重建和并行空间哈希的实时网格激光雷达里程计与建图方法，通过增量体素网格化和点到网格里程计，在四个数据集上验证了轨迹和地图的准确性。
2023-12-25 cs.RO
LMBAO: A Landmark Map for Bundle Adjustment Odometry in LiDAR SLAM
Sun Yat-sen University（中山大学）
LiDAR测距是LiDAR同时定位与地图构建（SLAM）的重要组成部分。然而，现有的LiDAR测距法倾向于简单地迭代地将新扫描与先前的固定姿势扫描相匹配，从而逐渐积累误差。此外，作为一种有效的联合优化机制，光束法平差（BA）不能直接引入到实时里程计由于大规模的全球地标密集的计算。因此，本文设计了一种新的策略，称为里程碑地图的光束法平差测距（LMBAO）的LiDAR SLAM解决这些问题。首先，BA为基础的里程进一步发展与积极的地标维护策略，更准确的本地注册，避免累积误差。具体地说，本文保留了整个稳定的地标在地图上，而不仅仅是他们的特征点在滑动窗口中，并删除地标根据其活动的等级。接下来，减小滑动窗口长度，并且执行边缘化以保留窗口外但对应于地图上的活动地标的扫描，从而大大简化了计算并提高了实时性。此外，在三个具有挑战性的数据集上的实验表明，我们的算法在户外驾驶中实现了实时性能，并且优于最先进的LiDAR SLAM算法，包括Lego-LOAM和VLOM。
2022-09-19 cs.CV cs.RO
DMLO: Deep Matching LiDAR Odometry
University of Twente（特文特大学）；Wright State University（莱特州立大学）
LiDAR测距是机器人、自动驾驶等各个领域的基本任务。这个问题是困难的，因为它要求系统在嘈杂的真实世界数据中运行时具有高度鲁棒性。现有的方法大多是局部迭代法。由于在不均匀和稀疏的LiDAR数据中提取精确的匹配对仍然具有挑战性，因此基于几何的全局配准方法不是首选。在本文中，我们提出了深度匹配LiDAR测距（DMLO），这是一种新的基于学习的框架，它使特征匹配方法适用于LiDAR测距任务。与许多最近的基于学习的方法不同，DMLO明确地在框架中强制执行几何约束。具体而言，DMLO将6-DoF姿态估计分解为两个部分，一个基于学习的匹配网络，它提供两次扫描之间的准确对应关系，另一个是刚性变换估计，通过奇异值分解（SVD）获得封闭形式的解决方案。在真实世界数据集KITTI和Argoverse上的综合实验结果表明，我们的DMLO大大优于现有的基于学习的方法，并与最先进的基于几何的方法相媲美。
2020-04-09 cs.CV cs.RO
Visual-LiDAR Odometry and Mapping with Monocular Scale Correction and Visual Bootstrapping
Beijing Institute of Technology（北京理工大学）
本文提出一种结合 ORB-SLAM 与 A-LOAM 的视觉-激光雷达里程计方法，通过单目尺度校正和视觉引导的激光雷达位姿初始化降低漂移，在 KITTI 和 S3E 数据集上显著优于单独的 ORB-SLAM2 和 A-LOAM，精度接近双目 ORB-SLAM2。
2023-07-08 cs.CV cs.RO
Efficient LiDAR Odometry for Autonomous Driving
Zhejiang University（浙江大学）
LiDAR测距在自主导航的自定位和地图绘制中起着重要作用，通常将其视为扫描配准问题。传统的基于搜索树的方法虽然在KITTI里程计测试中取得了很好的性能，但在处理大规模点云数据时仍然存在困难。近年来提出的基于球面距离像的方法具有球面映射快速最近邻搜索的优点。然而，它是不是很有效地处理地面点几乎平行于激光雷达光束。为了解决这些问题，我们提出了一种新的高效的激光雷达测距方法，利用非地面球面距离图像和鸟瞰地图的地面点。此外，一个范围自适应的方法被引入到鲁棒估计的局部表面法线。此外，一个非常快速和内存有效的模型更新计划，提出了融合点和它们相应的法线在不同的时间戳。我们在KITTI里程计基准上进行了广泛的实验，其令人鼓舞的结果表明我们提出的方法是有效的。
2021-04-22 cs.CV cs.RO
InTEn-LOAM: Intensity and Temporal Enhanced LiDAR Odometry and Mapping
National Innovation Institute of Defence Technology, PLA Academy of Military Sciences（中国人民解放军军事科学院国防科技创新研究院）；PLA Information Engineering University（中国人民解放军信息工程大学）
传统的激光雷达里程计（LO）系统主要利用从穿越的环境中获得的几何信息来配准激光扫描并估计激光雷达自我运动，但在动态或非结构化环境中可能不可靠。本文提出了InTEn-LOAM，这是一种低漂移和鲁棒的LiDAR测距和测绘方法，它充分利用了激光扫描的隐含信息（即，几何、强度和时间特性）。扫描点被投影到圆柱形图像，这有助于有效和自适应地提取各种类型的特征，即，地面、光束、立面和反射器。我们提出了一种新的基于强度的点配准算法，并将其纳入激光雷达里程计，使LO系统联合估计激光雷达自我运动使用的几何和强度特征点。为了消除动态对象的干扰，我们提出了一种基于时间的动态对象去除方法，在地图更新之前过滤掉它们。此外，使用时间相关的体素网格滤波器来组织和下采样局部图，以保持当前扫描与静态局部图之间的相似性。在模拟和真实世界的数据集上进行了广泛的实验。结果表明，该方法实现了类似或更好的精度w.r.t的最先进的在正常的驾驶场景和非结构化环境中优于基于几何的LO。
2022-09-13 cs.RO
On the Derivation of Tightly-Coupled LiDAR-Inertial Odometry with VoxelMap
本文基于VoxelMap，推导了紧密耦合激光雷达-惯性里程计的数学模型，通过一致的符号和显式公式统一几何建模与概率状态估计。
2026-04-21 cs.RO eess.SP
Incorporating GNSS Information with LIDAR-Inertial Odometry for Accurate Land-Vehicle Localization
South China Normal University（华南师范大学）；Charles III University of Madrid（马德里卡洛斯三世大学）
针对高速和累积漂移导致定位失效的问题，提出一种结合全局信息与LIDAR里程计的多传感器定位框架，利用离线点云先验和新配准方法提升收敛速度，实现了高精度鲁棒的陆地车辆定位。
2025-03-29 cs.AI cs.RO
Tightly Coupled 3D Lidar Inertial Odometry and Mapping
RAM-LAB（机器人与自动化实验室）；Hong Kong University of Science and Technology（香港科技大学）
自我运动估计是大多数移动机器人应用的基本要求。通过传感器融合，我们可以弥补独立传感器的不足，并提供更可靠的估计。本文介绍了一种紧耦合的激光雷达-惯性测量组合融合方法。通过联合最大限度地减少来自激光雷达和IMU测量的成本，激光雷达-IMU测距法（LIO）可以在长期实验后以可接受的漂移表现良好，即使在激光雷达测量可能降级的挑战性情况下。此外，为了获得更可靠的激光雷达位姿估计，提出了一种旋转约束的细化算法（LIO映射），以进一步对准激光雷达位姿与全球地图。实验结果表明，该方法可以估计的姿态传感器对的IMU更新率与高精度，即使在快速运动条件下或不足的功能。
2019-04-15 cs.CV cs.RO
ALIVE-LIO: Degeneracy-Aware Learning of Inertial Velocity for Enhancing ESKF-Based LiDAR-Inertial Odometry
Department of Electrical Engineering, POSTECH（浦项科技大学电气工程系）
ALIVE-LIO通过将深度神经网络整合到经典误差状态卡尔曼滤波中，提升退化环境中LiDAR可观测性，减少姿态漂移，实验显示在22/32序列中表现最佳。
2026-10-14 cs.RO
FAST-LIO: A Fast, Robust LiDAR-inertial Odometry Package by Tightly-Coupled Iterated Kalman Filter
University of Hong Kong（香港大学）
本文提出了一种计算高效和鲁棒的激光雷达惯性测距框架。我们融合LiDAR特征点与IMU数据使用紧耦合迭代扩展卡尔曼滤波器，以允许在发生退化的快速运动，噪声或混乱的环境中进行鲁棒导航。为了降低大量测量时的计算量，我们提出了一个新的公式来计算卡尔曼增益。新公式的计算量取决于状态维而不是测量维。所提出的方法及其实施进行了测试，在各种室内和室外环境。在所有测试中，我们的方法实时产生可靠的导航结果：在四旋翼机载计算机上运行，它在扫描中融合了1,200多个有效特征点，并在25 ms内完成iEKF步骤的所有迭代。
2021-04-14 cs.RO
Deep Learning-based Inertial Odometry for Pedestrian Tracking using Attention Mechanism and Res2Net Module
Tianjin University（天津大学）；Tianjin Institute of Surveying and Mapping Co. Ltd（天津市测绘院有限公司）
行人航位推算是一个具有挑战性的任务，由于低成本的惯性传感器的误差积累。最近的研究表明，深度学习方法可以在处理这个问题方面取得令人印象深刻的性能。在这封信中，我们提出了使用基于深度学习的速度估计方法的惯性里程计。利用基于Res 2Net模块和两个卷积块注意力模块的深度神经网络来恢复水平速度矢量与来自智能手机的原始惯性数据之间的潜在联系。我们的网络仅使用50%的公共惯性里程计数据集（RoNIN）数据进行训练。然后，在RoNIN测试数据集和另一个公共惯性里程数据集（OXIOD）上进行了验证。与传统的基于步长和航向系统的算法相比，该算法的绝对平移误差（ATE）降低了76%-86%。此外，与最先进的深度学习方法（RoNIN）相比，我们的方法将其ATE提高了6%-31.4%。
2022-06-08 cs.RO
DAMS-LIO: A Degeneration-Aware and Modular Sensor-Fusion LiDAR-inertial Odometry
Zhejiang University（浙江大学）；Hangzhou Normal University（杭州师范大学）
随着机器人被部署在越来越复杂的环境中，如地下矿井和行星表面，多传感器融合方法得到了越来越多的关注，这是一个很有前途的解决方案，状态估计在这样的场景。融合方案是这些方法的核心组成部分。本文提出了一种基于iEKF的轻型LiDAR惯性里程计系统，该系统利用退化感知和模块化传感器融合流水线，仅在检测到退化时才将LiDAR点和来自另一里程计的相对姿态作为更新过程中的测量。克拉默-拉奥下限（CRLB）理论和模拟测试都被用来证明我们的方法比使用单个观察值的方法具有更高的准确性。此外，所提出的系统进行了评估，在感知上具有挑战性的数据集对各种国家的最先进的传感器融合方法。结果表明，该系统实现了实时性和高精度的估计性能，尽管具有挑战性的环境和不良的观测。
2023-03-23 cs.RO
GaRLIO: Gravity enhanced Radar-LiDAR-Inertial Odometry
Robotics and AI (RAI) Institute（机器人与人工智能研究所）
针对状态估计中的垂直漂移问题，提出融合雷达逐点速度的重力增强雷达-激光雷达-惯性里程计GaRLIO，可提升重力估计精度与状态估计性能，还能移除动态点云保障鲁棒性，实验优于传统方法且代码已开源。
2025-02-21 cs.RO
Efficient and Probabilistic Adaptive Voxel Mapping for Accurate Online LiDAR Odometry
The University of Hong Kong（香港大学）；Southern University of Science and Technology（南方科技大学）
提出了一种用于LiDAR测距的高效概率自适应体素映射方法。该地图是体素的集合;每个体素包含一个平面（或边缘）特征，该特征能够实现环境的概率表示和新LiDAR扫描的准确配准。我们进一步分析了粗到细的体素映射的需要，然后使用一种新的体素映射组织的哈希表和八叉树有效地建立和更新地图。我们建议的体素地图的迭代扩展卡尔曼滤波器，并构造一个最大后验概率问题的姿态估计。在开放的KITTI数据集上的实验表明，与其他最先进的方法相比，我们的方法具有较高的准确性和效率。非重复扫描激光雷达的非结构化环境的室外实验进一步验证了我们的映射方法对不同环境和激光雷达扫描模式的适应性。我们的代码和数据集在Github上开源
2022-07-08 cs.RO
Scene-Aware Error Modeling of LiDAR/Visual Odometry for Fusion-based Vehicle Localization
Peking University（北京大学）
定位是移动机器人中的一项关键技术。在复杂的环境中，需要融合不同的定位模块以获得更鲁棒的定位结果，其中误差模型起着至关重要的作用。然而，基于外感受传感器的里程计（ESO），例如LiDAR/视觉里程计，通常提供具有场景相关误差的结果，这是难以精确建模的。针对这一问题，本文设计了一个场景感知的ESO误差模型，并在此基础上提出了一个多模态定位融合框架。此外，提出了一种端到端的学习方法来训练这种误差模型使用稀疏的全球位姿，如GPS/IMU的结果。将该方法应用于LiDAR/视觉里程计的误差建模，并与航位推算法进行融合，检验车辆定位的性能。实验结果表明，基于学习的场景感知误差模型，车辆定位精度得到了很大提高，并在非体验场景中表现出了自适应性。
2020-03-29 cs.RO
LiDAR-Generated Images Derived Keypoints Assisted Point Cloud Registration Scheme in Odometry Estimation
University of Turku（图尔库大学）
本文定量评估传统图像关键点提取器与描述子在LiDAR生成图像上的适用性，并提出一种基于关键点下采样点云的点云配准方案，在保持精度的同时降低计算开销并提升里程计鲁棒性。
2023-09-19 cs.RO
ECTLO: Effective Continuous-time Odometry Using Range Image for LiDAR with Small FoV
Zhejiang University（浙江大学）
针对基于棱镜的小视场LiDAR面临的运动畸变等挑战，提出一种高效连续时间里程计方法ECTLO，利用距离图像建图、高斯混合模型配准和连续时间运动模型，有效提升了里程计精度。
2023-10-19 cs.CV cs.RO
RF-LIO: Removal-First Tightly-coupled Lidar Inertial Odometry in High Dynamic Environments
Xi’an Jiaotong University（西安交通大学）
同时定位与地图构建（SLAM）被认为是智能车辆和移动机器人的基本能力。然而，目前大多数激光雷达SLAM方法是基于静态环境的假设。因此，在具有多个移动对象的动态环境中的定位实际上是不可靠的。本文提出了一种动态SLAM框架RF-LIO，建立在LIO-SAM的基础上，增加了自适应多分辨率距离图像，并使用紧耦合激光雷达惯性里程计首先去除移动物体，然后将激光雷达扫描与子地图匹配。因此，即使在高动态环境中也可以获得精确的姿态。建议的RF-LIO进行了评估，自我收集的数据集和开放的Urbanloco数据集。高动态环境下的实验结果表明，与LOAM和LIO-SAM相比，所提出的RF-LIO的绝对弹道精度可以分别提高90%和70%。RF-LIO是高动态环境中最先进的SLAM系统之一。
2022-06-19 cs.RO
Need for Speed: Fast Correspondence-Free Lidar-Inertial Odometry Using Doppler Velocity
University of Toronto Institute for Aerospace Studies (UTIAS)（多伦多大学航空航天研究所）；Aeva Inc.（Aeva公司）
提出一种利用FMCW激光雷达多普勒速度并融合陀螺仪的无数据关联连续时间里程计，实现5.64ms单线程处理，并证明多雷达可观测全部6自由度速度。
2023-09-29 cs.RO
AdaLIO: Robust Adaptive LiDAR-Inertial Odometry in Degenerate Indoor Environments
KAIST (Korea Advanced Institute of Science and Technology)（韩国科学技术院）
针对固定参数使 LiDAR-惯性里程计在走廊等狭窄室内场景退化发散的问题，本文提出 AdaLIO，通过识别类走廊环境并自适应调整体素化与法向量估计参数来增加对应关系，在公开数据集上验证了鲁棒性。
2023-04-25 cs.RO
Traj-LO: In Defense of LiDAR-Only Odometry Using an Effective Continuous-Time Trajectory
Zhejiang University（浙江大学）
本文提出 Traj-LO，用连续时间轨迹参数化 LiDAR 运动，并紧耦合点云几何与平滑约束，实现适用于多 LiDAR 的鲁棒纯 LiDAR 里程计。
2023-09-25 cs.CV cs.RO
Adaptive Hyperparameter Tuning for Black-box LiDAR Odometry
National Institute of Advanced Industrial Science and Technology（产业技术综合研究所）
提出了一种自适应数据驱动的黑盒3D LiDAR测距算法超参数调整框架。该框架包括离线参数误差函数建模和在线自适应参数选择。在离线步骤中，我们运行里程估计算法，以使用不同的参数和环境进行调整，并评估估计轨迹的准确性，以构建预测给定参数和环境的轨迹估计误差的代理函数。随后，我们选择的参数集，预计在给定的环境下，在轨迹误差预测的替代函数的基础上，导致良好的精度。该框架不需要对算法内部工作的详细信息进行调整，并通过自适应优化参数集来提高其精度。我们首先展示了所提出的框架的作用，在不同的环境中提高里程估计的准确性与基于模拟的玩具的例子。在公共数据集KITTI上的测试结果表明，该框架能够提高几种里程估计算法在实际应用中的精度.
2021-07-09 cs.RO
LVI-Q: Robust LiDAR-Visual-Inertial-Kinematic Odometry for Quadruped Robots Using Tightly-Coupled and Efficient Alternating Optimization
School of Electrical Engineering, KAIST (Korea Advanced Institute of Science and Technology)（韩国科学技术院电子工程学院）；URobotics Corp.（URobotics公司）
针对四足机器人在复杂环境中的定位漂移问题，提出紧耦合激光-视觉-惯性-运动学里程计系统，通过优化与滤波交替融合多传感器信息，在公开和长期数据集上展现出鲁棒性能。
2025-10-17 cs.RO
EllipseLIO: Adaptive LiDAR Inertial Odometry with an Ellipsoid Representation
Vision for Robotics Lab (V4RL)（机器人视觉实验室）
本文提出EllipseLIO，一种基于椭球表示的实时激光雷达惯性里程计，通过自适应的激光雷达扫描过滤和配准方法，在不同环境和传感器下实现鲁棒的里程计性能，实验表明其在多种复杂场景中表现最优。
2026-08-26 cs.RO
Real-time Multi-Adaptive-Resolution-Surfel 6D LiDAR Odometry using Continuous-time Trajectory Optimization
University of Bonn（波恩大学）
同时定位与地图构建（SLAM）是自主机器人的基本能力，但由于三维激光雷达的高数据率，实时的【形】SLAM具有挑战性。提出了一种实时的【形】六维LiDAR测距方法。我们的方法结合了连续时间的B样条轨迹表示与高斯混合模型（GMM）制定共同对齐本地多分辨率冲浪地图。稀疏的体素网格和permutohedral晶格确保快速访问地图表面，自适应分辨率选择方案有效地加快了注册。一个彻底的实验评估显示了我们的方法在多个数据集和真实的机器人实验中的性能。
2021-09-29 cs.CV cs.RO
Swarm-LIO: Decentralized Swarm LiDAR-inertial Odometry
The University of Hong Kong（香港大学）；Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
精确的自估计和相对状态估计是完成群任务的关键前提，协同自主探索、目标跟踪、搜索和救援。本文提出了Swarm-LIO：提出了一种完全分散的机群系统状态估计方法，各无人机进行精确的自我状态估计，通过无线通信交换自我状态和相互观测信息，估计相对于（w.r.t.）其余的无人机，都是实时的，只基于激光雷达惯性测量。提出了一种新的基于三维激光雷达的无人机检测、识别和跟踪方法，以获取队友无人机的观测值。然后将相互观测测量与IMU和LiDAR测量紧密耦合，以联合执行自我状态和相对状态的实时和准确估计。大量的真实世界的实验表明，广泛的适应性，复杂的场景，包括GPS拒绝的场景，退化的场景相机（黑夜）或激光雷达（面对一面墙）。与运动捕捉系统提供的地面实况相比，结果表明，厘米级的定位精度优于其他国家的最先进的激光雷达-惯性里程计的单无人机系统。
2023-02-28 cs.RO
DeepLO: Geometry-Aware Deep LiDAR Odometry
KAIST（韩国科学技术院）
最近，基于学习的自我运动估计方法引起了人们的强烈兴趣，主要集中在视觉感知的研究。这些突破性的工作集中在里程估计的无监督学习，但主要是视觉传感器。与图像相比，在一些研究中已经报道了使用光检测和测距（LiDAR）的基于学习的方法，其中最常见的是提出了监督学习框架。在本文中，我们提出了一种新的方法，可以通过监督和无监督框架进行几何感知的深度LiDAR测距训练。我们将迭代最近点（ICP）算法纳入深度学习框架，并展示了所提出的管道的可靠性。我们提供了两个损失函数，允许在监督和无监督学习之间切换，这取决于训练阶段的真实有效性。使用KITTI和Oxford RobotCar数据集的评估表明，所提出的方法在实现姿态精度时具有出色的性能和效率。
2019-02-27 cs.CV cs.RO
