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
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
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
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
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
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
UnDeepLIO: Unsupervised Deep Lidar-Inertial Odometry
Nanjing University of Science and Technology（南京理工大学）；PCA Lab（PCA实验室）
广泛的研究工作致力于基于深度学习的里程计。尽管如此，很少有人在无人监督的深层激光雷达测距方面做出努力。在本文中，我们设计了一个新的框架，用于无监督激光雷达测距与惯性测量单元，这是从来没有使用在其他深度的方法。首先，一对连体LSTM被用来获得初始位姿从线加速度和角速度的IMU。使用初始姿势，我们对当前帧执行刚性变换，并将其对齐到更靠近上一帧的位置。然后从变换后的点云及其法线中提取顶点和法线特征。然后提出了一个双分支注意力模块，分别从提取的顶点和法向特征中估计残余旋转和平移。最后，我们的模型输出初始姿势和剩余姿势的总和作为最终姿势。对于无监督训练，我们引入了一个无监督的损失函数，它被用于体素化的点云。所提出的方法进行评估的KITTI里程估计基准，并实现了与其他国家的最先进的方法相比的性能。
2021-09-03 cs.CV cs.RO
ViLiVO: Virtual LiDAR-Visual Odometry for an Autonomous Vehicle with a Multi-Camera System
Shanghai Jiao Tong University（上海交通大学）；SAIC Motor（上海汽车集团股份有限公司）
在本文中，我们提出了一个多摄像机视觉里程计（VO）系统的自主车辆。我们的系统主要由一个虚拟激光雷达和一个姿态跟踪器。我们使用透视变换的方法来合成一个环绕视图的图像从无失真的鱼眼相机图像。利用语义分割模型，可以提取出自由空间。虚拟激光雷达的扫描是通过离散化自由空间的轮廓来生成的。在姿态跟踪方面，提出了一种融合特征匹配和虚拟激光雷达扫描匹配结果的视觉里程计系统。只有那些位于自由空间区域中的特征点被用来确保用于位姿估计的2D-2D匹配。此外，进行光束法平差（BA），以最小化特征点重投影误差和扫描匹配误差。我们将我们的系统应用于配备四个鱼眼摄像头的自动驾驶汽车。测试场景包括室外停车场和室内车库。实验结果表明，我们的系统实现了更强大的和准确的性能相比，基于鱼眼相机的单目视觉里程计系统。
2019-09-30 cs.CV cs.RO
LiDAR and Camera Calibration using Motion Estimated by Sensor Fusion Odometry
Institute of Industrial Science, The University of Tokyo（东京大学产业技术研究所）；Microsoft（微软）
本文提出了一种无目标自动相机激光雷达定标方法。我们的方法是手眼校准框架的扩展到2D-3D校准。通过使用传感器融合里程计的方法，缩放相机运动的计算具有高精度。除此之外，我们阐明了适合这种校准方法的运动。该方法只需要三维点云和摄像机图像，不需要其他信息，如激光雷达的反射率和初始外参数。在实验中，我们证明了我们的方法使用几个传感器配置在室内和室外场景，以验证其有效性。我们的方法的准确性达到比其他可比的国家的最先进的方法。
2018-04-14 cs.CV cs.RO
A fast, complete, point cloud based loop closure for LiDAR odometry and mapping
Hong Kong University（香港大学）
提出了一种用于激光雷达测距与测绘（LOAM）中的环路闭合法。我们提出的方法计算关键帧的2D直方图，一个局部的地图补丁，并使用归一化的2D直方图的互相关作为当前关键帧和地图中的关键帧之间的相似性度量。我们表明，这种方法是快速的，旋转不变，并产生可靠和准确的环路检测。所提出的方法实施了精心的工程和集成到LOAM算法，形成一个完整的和实用的系统准备使用。为了通过为循环闭合提供基准而使社区受益，整个系统在Github上开源
2019-09-25 cs.CV cs.RO
LOL: Lidar-Only Odometry and Localization in 3D Point Cloud Maps
MTA SZTAKI, Hungarian Academy of Sciences, Institute for Computer Science and Control（匈牙利科学院计算机科学与控制研究所）
在本文中，我们处理的问题，里程计和定位激光雷达装备的车辆在城市环境中行驶，其中一个预制的目标地图存在本地化反对。在我们的问题公式中，为了校正仅激光雷达测距法的累积漂移，我们应用位置识别方法来检测在线3D点云和先验离线地图之间的几何相似位置。在拟议的系统中，我们将最先进的仅激光雷达里程计算法与最近提出的3D点段匹配方法集成在一起，以互补它们的优势。此外，我们提出了额外的增强功能，以减少在线点云和目标地图之间的错误匹配的数量，并细化位置估计误差时，检测到一个很好的匹配。我们在不同长度和环境的几个Kitti数据集上展示了所提出的LOL系统的实用性，在每种情况下，车辆轨迹的重新定位精度和精度都得到了显着提高，同时仍然能够保持实时性能。
2020-07-03 cs.CV cs.RO
Robust Odometry and Mapping for Multi-LiDAR Systems with Online Extrinsic Calibration
Hong Kong University of Science and Technology（香港科技大学）
结合多个LiDAR使机器人能够最大限度地提高其对环境的感知意识并获得足够的测量值，这对于同时定位与地图构建（SLAM）是有希望的。本文提出了一种系统，以实现强大的和同时外部校准，里程计，和映射多个激光雷达。我们的方法从测量预处理开始，从原始测量中提取边缘和平面特征。在运动和外部初始化过程之后，基于滑动窗口的多LiDAR里程计在船上运行以通过在线校准细化和收敛识别来估计姿态。我们进一步开发了一个映射算法来构建一个全球地图和优化构成与足够的功能，以及一种方法来建模和减少数据的不确定性。我们验证了我们的方法的性能与广泛的实验10个序列（4.60公里总长度）的校准和SLAM，并将它们与国家的最先进的。我们证明，所提出的工作是一个完整的，强大的，可扩展的系统，为各种多激光雷达设置。源代码、数据集和演示可在https://ram-lab.com/file/site/m-loam上获得。
2021-05-05 cs.CV cs.RO
LiDAR Odometry Survey: Recent Advancements and Remaining Challenges
Seoul National University（首尔大学）
本综述全面梳理LiDAR里程计技术，按传感器集成方式分类分析最新进展，并探讨现有挑战、未来方向及公开数据集与评估方法。
2023-12-29 cs.RO
CT-ICP: Real-time Elastic LiDAR Odometry with Loop Closure
MINES ParisTech, PSL University（巴黎高等矿业学院，巴黎文理研究大学）；Kitware（Kitware公司）
多光束激光雷达传感器越来越多地用于机器人技术，特别是用于自动驾驶汽车的定位和感知任务，两者都依赖于构建精确环境地图的能力。为此，我们提出了一种新的实时的【形】激光雷达测距方法，称为CT-ICP（连续时间ICP），完成了一个完整的SLAM与一个新的循环检测过程。该方法的核心是引入扫描匹配中的连续性和扫描间的不连续性。它允许在配准期间扫描的弹性失真以提高精度，以及对来自不连续性的高频运动的增强的鲁棒性。我们建立了一个完整的SLAM上的里程计，使用一个快速的纯激光雷达环检测的基础上海拔图像的2D匹配，提供一个姿态图与循环约束。为了证明该方法的鲁棒性，我们在七个数据集上进行了测试：KITTI，KITTI-raw，KITTI-360，KITTI-CARLA，ParisLuco，Newer College和NCLT驾驶和高频运动场景。CT-ICP里程计和线圈检测都可以在线使用。CT-ICP目前在KITTI里程计排行榜上排名第一，平均相对翻译误差（RTE）为0.59%，单线程CPU上每次扫描的平均时间为60 ms。
2022-02-24 cs.CV 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
SelfVoxeLO: Self-supervised LiDAR Odometry with Voxel-based Deep Neural Networks
Multimedia Laboratory, The Chinese University of Hong Kong（香港中文大学多媒体实验室）；State Key Lab of CAD&CG, Zhejiang University（浙江大学CAD&CG国家重点实验室）；SenseTime Research（商汤科技研究院）
最近基于学习的LiDAR测距方法已经证明了它们的竞争力。然而，大多数方法仍然面临两个实质性挑战：1）LiDAR数据的2D投影表示无法有效地从点云编码3D结构; 2）需要大量的标记数据用于训练限制了这些方法的应用范围。在本文中，我们提出了一种自监督LiDAR测距方法，称为SelfVoxeLO，以解决这两个困难。具体来说，我们提出了一个3D卷积网络来直接处理原始LiDAR数据，它可以提取更好地编码3D几何图案的特征。为了使我们的网络适合自监督学习，我们设计了几个新的损失函数，利用激光雷达点云的固有属性。此外，一个不确定性感知机制被纳入损失函数，以减轻移动对象/噪声的干扰。我们评估了我们的方法在两个大规模数据集上的性能，即，KITTI和Apollo-SouthBay。我们的方法在KITTI数据集上的平移/旋转误差方面优于最先进的无监督方法27%/32%，并且在Apollo-SouthBay数据集上也表现良好。通过包括更多的未标记的训练数据，我们的方法可以进一步提高性能的监督方法。
2022-02-09 cs.CV cs.RO
Generalized LOAM: LiDAR Odometry Estimation with Trainable Local Geometric Features
Nagoya University（名古屋大学）；National Institute of Advanced Industrial Science and Technology（日本产业技术综合研究所）
本文提出了一种称为广义LOAM的LiDAR里程估计框架。我们所提出的方法是广义的，它可以无缝融合点周围的各种局部几何形状，以提高位置估计精度相比，传统的激光雷达测距和映射（LOAM）方法。为了利用连续的几何特征进行LiDAR里程估计，我们将微小的神经网络纳入广义迭代最近点（GICP）算法。这些神经网络使用局部几何特征来改进数据关联度量和匹配代价函数。与KITTI基准的实验表明，我们提出的方法相比，其他激光雷达里程估计方法减少了相对轨迹误差。
2022-10-29 cs.RO
Splat-LOAM: Gaussian Splatting LiDAR Odometry and Mapping
Sapienza University of Rome（罗马大学）；University of Amsterdam（阿姆斯特丹大学）
针对激光雷达建图中精度与内存、速度难兼顾的问题，提出基于高斯泼溅的Splat-LOAM流水线，用球面投影驱动高斯基元优化，配准性能持平现有水平，低GPU需求下建图达SOTA，适用于实时机器人任务。
2025-03-21 cs.CV cs.RO
Towards High-Performance Solid-State-LiDAR-Inertial Odometry and Mapping
Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
我们提出了一种新的紧耦合激光雷达惯性里程计和映射计划的固态和机械激光雷达。作为前端，基于特征的轻量级LiDAR里程计为自适应关键帧选择提供快速运动估计。作为后端，通过边缘化执行基于分层关键帧的滑动窗口优化，以直接融合IMU和LiDAR测量。对于新发布的固态激光雷达Livox Horizon，提出了一种新型的特征提取方法来处理预处理过程中的不规则扫描模式。LiLi-OM（Livox LiDAR-惯性里程计和测绘）具有实时能力，在机械LiDAR的公共数据集和使用Livox Horizon的实验中，LiDAR类型的精度优于最先进的系统。源代码和记录的实验数据集可在https://github.com/KIT-ISAS/lili-om上获得。
2021-04-27 cs.RO
Attention-Guided Lidar Segmentation and Odometry Using Image-to-Point Cloud Saliency Transfer
University of Tsukuba（筑波大学）；National Institute of Advanced Industrial Science and Technology（日本产业技术综合研究所）；CNRS-AIST Joint Robotics Laboratory (JRL)（法国国家科学研究中心-日本产业技术综合研究所联合机器人实验室）
本文提出图像到点云显著性迁移框架，构建FordSaliency伪显著性数据集，并设计SalLiDAR分割模型和SalLONet里程计网络，利用显著性引导注意力提升自动驾驶中激光雷达分割与里程计性能，达到最先进水平。
2024-06-17 cs.CV cs.RO
LLOL: Low-Latency Odometry for Spinning Lidars
University of Pennsylvania（宾夕法尼亚大学）
在本文中，我们提出了一个低延迟里程计系统设计的旋转激光雷达。许多现有的激光雷达测距方法在处理数据之前等待来自激光雷达的整个扫描。这在第一激光器发射与其姿态估计之间引入了大的延迟。为了减少这种延迟，我们将旋转激光雷达视为流式传感器，并在数据包到达时进行处理。这有效地将昂贵的操作跨时间分布，从而产生具有更高吞吐量和更低延迟的非常快速和轻量级的系统。我们的开源实现可在\url{https://github.com/versatran01/llol}上获得。
2022-04-13 cs.RO
CAR-LOAM: Color-Assisted Robust LiDAR Odometry and Mapping
School of Optics and Photonics, Beijing Institute of Technology（北京理工大学光电学院）
提出CAR-LOAM框架，融合激光雷达与相机颜色信息，通过颜色差异加权和Welsch鲁棒误差优化位姿，实现高鲁棒性、高精度的定位与彩色三维建图。
2025-02-24 cs.CV cs.RO
Robust Self-Supervised LiDAR Odometry via Representative Structure Discovery and 3D Inherent Error Modeling
The Chinese University of Hong Kong（香港中文大学）；SenseTime Research（商汤科技研究院）；Zhejiang University（浙江大学）
正确的自我运动估计基本上依赖于对相邻LiDAR扫描之间的对应关系的理解。然而，考虑到复杂的场景和低分辨率的激光雷达，找到可靠的结构来识别对应关系可能是具有挑战性的。在本文中，我们深入研究结构可靠性，准确的自我监督运动估计，旨在减轻不可靠的结构在训练，推理和映射阶段的影响。我们从三个方面对自监督LiDAR测距算法进行了改进：1）提出了一种两阶段的测距估计网络，通过估计一组子区域变换并利用运动投票机制对它们进行平均来获得自我运动，以鼓励网络聚焦于代表性结构。2)基于3D点协方差估计，不能通过自我运动优化消除的固有对准误差在损失中被降低权重。3)发现的代表性结构和学习点协方差被纳入映射模块，以提高地图构建的鲁棒性。我们的两帧里程计在KITTI数据集上的平移/旋转误差方面优于先前的最先进技术16%/12%，并且在Apollo-Southbay数据集上表现一贯良好。我们甚至可以用我们的映射模块和更多未标记的训练数据与完全监督的同行竞争。
2022-02-27 cs.CV cs.RO
Unified Multi-Modal Landmark Tracking for Tightly Coupled Lidar-Visual-Inertial Odometry
University of Oxford（牛津大学）；KTH Royal Institute of Technology（KTH皇家理工学院）；Scania AB（斯堪尼亚公司）
我们提出了一个有效的多传感器里程计系统的移动平台，共同优化视觉，激光雷达和惯性信息在一个单一的综合因素图。这是使用固定滞后平滑以全帧速率实时运行的。为了实现这种紧密集成，提出了一种从激光雷达点云数据中提取三维线和平面基元的新方法。该方法克服了典型的帧到帧跟踪方法的次优性，通过将基元视为地标并在多个扫描上跟踪它们。通过激光雷达和相机帧的微妙被动同步，激光雷达功能与标准视觉功能和IMU的真正集成成为可能。3D功能的轻量级制定允许在单个CPU上实时执行。我们提出的系统已经过测试，在各种平台和场景，包括地下勘探与足式机器人和户外扫描与动态移动的手持设备，为96分钟和2.4公里的总持续时间旅行的距离。在这些测试序列中，仅使用一个外感受性传感器会导致失败，原因是几何结构约束不足（影响激光雷达）或照明变化引起的无纹理区域（影响视力）。在这些条件下，我们的因子图自然使用每个传感器模态提供的最佳信息，而无需任何硬开关。
2021-02-17 cs.CV cs.RO
KDD-LOAM: Jointly Learned Keypoint Detector and Descriptors Assisted LiDAR Odometry and Mapping
College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院）
提出紧耦合关键点检测器与描述子TCKDD及辅助框架KDD-LOAM，通过多任务全卷积网络与自监督损失提升点云配准性能，在KITTI上显著超越LOAM。
2023-09-27 cs.CV cs.RO
A visual study of ICP variants for Lidar Odometry
Daimler Truck AG（戴姆勒卡车股份有限公司）；Technical University of Munich（慕尼黑技术大学）
针对现实场景因素降低激光雷达里程计所用ICP算法精度的问题，本文依托ICP多维目标函数二维可视化方法研究各类ICP变体，并提出过滤动态物体、解决自车盲区的新方法。
2025-11-18 cs.RO
MAD-ICP: It Is All About Matching Data -- Robust and Informed LiDAR Odometry
Sapienza University of Rome（罗马大学）
本文提出 MAD-ICP，一种基于 ICP、PCA 与 kd-tree 并结合不确定性局部地图管理的鲁棒 LiDAR 里程计，可跨场景达到领域专用方法性能，并开源实时 C++ 实现。
2024-05-09 cs.CV cs.RO
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
What's in My LiDAR Odometry Toolbox?
MINES ParisTech（巴黎高科矿业学院）；PSL University（巴黎文理研究大学）；Kitware（凯图尔公司）；Centre for robotics（机器人中心）
随着3D LiDAR传感器的普及，人们对精确的LiDAR里程计和SLAM的需求很高。新的方法经常出现，提出的解决方案从经典算法的微小变化到基于深度学习的全新范例。然而，通常很难比较这些方法，特别是由于可以评估和比较这些方法的数据集很少。此外，它们的弱点很少被检查，经常让用户发现一种方法是否适合用例。在本文中，我们回顾和组织的主要3D激光雷达测距到不同的类别。我们实施了几种方法（基于几何的方法、基于深度学习的方法和混合方法），以深入分析它们在多个数据集上的优势和劣势，引导读者了解可用的不同LiDAR测距。这些方法的实施已在https://github.com/Kitware/pyLiDAR-SLAM上公布。
2021-10-07 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
Dense-depth map guided deep Lidar-Visual Odometry with Sparse Point Clouds and Images
College of Physics and Optical Engineering, Shenzhen University（深圳大学物理与光学工程学院）；Research Institute of Tsinghua University in Shenzhen（清华大学深圳研究院）；YunJiZhiHui Engineering Co., Ltd.（云智慧工程有限公司）；Quantum Science Center of the Guangdong-Hong Kong-Macao Greater Bay Area（粤港澳大湾区量子科学中心）；State Key Laboratory of Radio Frequency Heterogeneous Integration, Shenzhen University（深圳大学射频异构集成重点实验室）；Institute of Intelligent Optical Measurement and Detection, Shenzhen University（深圳大学智能光学测量与探测研究所）
本文提出一种融合激光雷达点云与图像的深度里程计框架，通过深度补全生成稠密深度图，结合注意力机制多尺度特征提取和分层位姿优化，在KITTI基准上取得与最先进方法相当或更优的精度与鲁棒性。
2025-07-21 cs.CV cs.LG cs.RO
NeRF-LOAM: Neural Implicit Representation for Large-Scale Incremental LiDAR Odometry and Mapping
Shanghai Jiao Tong University（上海交通大学）；College of Intelligence Science and Technology, NUDT（国防科技大学智能科学与技术学院）
同时使用LiDAR数据进行里程计和地图绘制是移动系统在大规模环境中实现完全自主的重要任务。然而，大多数现有的基于LiDAR的方法优先考虑跟踪质量而不是重建质量。虽然最近开发的神经辐射场（NeRF）在室内环境的隐式重建方面取得了可喜的进展，但使用增量LiDAR数据的大规模场景的同步测距和映射问题仍未得到解决。为了弥补这一差距，在本文中，我们提出了一种新的基于NeRF的激光雷达里程计和映射方法，NeRF-LOAM，由三个模块神经里程计，神经映射，和网格重建。所有这些模块都利用了我们提出的神经符号距离函数，该函数将LiDAR点分为地面点和非地面点以减少Z轴漂移，同时优化里程计和体素嵌入，并最终生成环境的密集平滑网格地图。此外，这种联合优化使我们的NeRF-LOAM能够自由地进行预训练，并在应用于不同环境时表现出强大的泛化能力。对三个公开数据集的广泛评估表明，我们的方法实现了最先进的里程计和映射性能，以及在利用LiDAR数据的大规模环境中的强大泛化能力。此外，我们进行了多次消融研究，以验证我们的网络设计的有效性。我们的方法的实施将在https://github.com/JunyuanDeng/NeRF-LOAM上提供。
2023-03-19 cs.CV
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
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
Incremental Semantics-Aided Meshing from LiDAR-Inertial Odometry and RGB Direct Label Transfer
Faculty of Geo-Information Science and Earth Observation (ITC), University of Twente（特温特大学地理信息科学与地球观测学院（ITC））
本文提出基于RGB和LiDAR的增量语义辅助网格生成方法，通过直接标签转移提升几何重建精度，优于ImMesh和Voxblox，为XR和数字建模提供新路径。
2026-04-10 cs.CV 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
DeLiO: Decoupled LiDAR Odometry
German Research Center for Artificial Intelligence - DFKI（德国人工智能研究中心（DFKI））
大多数LiDAR测距算法通过以介入方式估计旋转和平移来估计两个连续帧之间的变换。在本文中，我们提出了我们的解耦LiDAR测距法（DeLiO），这是第一次将旋转估计完全从平移估计中分离出来。特别是，旋转估计通过提取表面法线从输入点云和跟踪其特征模式上的单位球。使用这种旋转，点云是不旋转的，因此底层变换是纯平移的，这可以使用线云方法轻松估计。对KITTI数据集进行评估，并将结果与最先进的算法进行比较。
2019-04-29 cs.CV
LF-GICP: Parameter-Free Degeneracy-Aware LiDAR Odometry via a Voxel-Normal Localizability Field
本文提出无参数退化感知激光雷达里程计LF-GICP，通过体素-法向量可定位性场解决退化环境漂移问题，在多数据集上精度领先且可跨传感器泛化。
2026-08-21 cs.CV cs.RO
UnPWC-SVDLO: Multi-SVD on PointPWC for Unsupervised Lidar Odometry
高精度激光雷达里程计是自动驾驶的重要组成部分。近年来，深度学习方法在激光雷达测距任务中得到了广泛的应用，但目前的方法大多只提取点云的全局特征。用这种方法不可能获得更详细的点级特征。此外，仅使用完全连接的层来估计姿态。全连接层在分类任务中取得了明显的效果，但姿态的变化是一个连续而非离散的过程，仅使用全连接层无法获得高精度的姿态估计。我们的方法避免了上述问题。我们使用PointPWC作为我们的骨干网络。PointPWC最初用于场景流估计。场景流估计任务与激光雷达里程具有很强的相关性。将场景流与源点云叠加得到目标点云。通过奇异值分解求解ICP算法，直接实现姿态的确定，不再使用全连通层。PointPWC从不同采样级别的点云中提取点级特征，解决了特征提取过于粗糙的问题。我们在KITTI，Ford Campus Vision和Lidar DataSe以及Apollo-SouthBay数据集上进行了实验。我们的结果与最先进的无监督深度学习方法SelfVoxeLO相当。
2022-05-17 cs.CV 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
Improved LiDAR Odometry and Mapping using Deep Semantic Segmentation and Novel Outliers Detection
Nile University（尼罗河大学）
针对快速移动平台激光雷达里程计与建图精度低的问题，提出基于LOAM架构、融合深度语义信息并配合同类语义物体异常匹配剔除算法的实时框架，在KITTI数据集上验证了其在大位姿间隙场景下的鲁棒性提升效果。
2024-03-05 cs.AI cs.CV 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
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
