點云PCL免費知識星球，點云論文速讀。

文章：FAST-LIO2: Fast Direct LiDAR-inertial Odometry

作者: Wei Xu?1 , Yixi Cai?1 , Dongjiao He1 , Jiarong Lin1 , Fu Zhang

編譯：點云PCL

代碼：https://github.com/hku-mars/FAST_LIO

來源：arxiv2021

歡迎各位加入免費知識星球，獲取PDF論文，歡迎轉發朋友圈。文章僅做學術分享，如有侵權聯系刪文。未經博主同意請勿擅自轉載。

論文閱讀模塊將分享點云處理，SLAM，三維視覺，高精地圖相關的文章。公眾號致力于理解三維視覺領域相關內容的干貨分享，歡迎各位加入我，我們一起每天一篇文章閱讀，開啟分享之旅,有興趣的可聯系微信dianyunpcl@163.com。

摘要

本文介紹了FAST-LIO2：一種快速、魯棒的、通用的激光雷達慣性里程計框架，FASTLIO2以高效緊耦合的方式迭代卡爾曼濾波器為基礎，具有兩個關鍵的新穎之處，可實現快速、穩健和精確的激光雷達的建圖和導航。

第一該方法是直接將原始點云配準到地圖（隨后更新地圖），而不提取特征，這樣可以利用環境中的細微特征，從而提高準確性，這里不采用人工設計的特征提取模塊，使其自然適應不同掃描模式的新興激光雷達；

第二個主要創新點是通過增量k-d樹數據結構kd-tree來維護地圖，該結構支持增量更新（即點插入、刪除）和動態平衡。與現有的動態數據結構（八叉樹，R-樹，nanoflann k-d樹），kd樹實現了卓越的整體性能，同時自然支持下采樣，我們對來自各種開放式激光雷達數據集的19個序列進行了詳盡的基準比較。FAST-LIO2比其他最先進的激光雷達慣性導航系統低得多的計算量實現了持續更高的精度，在小視場的固態激光雷達上也進行了各種真實世環境的實驗，總體而言，FAST-LIO2計算效率高，魯棒性強，多功能，同時仍能實現比現有方法更高的精度，FAST-LIO2和數據結構kd樹的實現都是在Github上開源了。

https://github.com/hku-mars/FAST_LIO

主要貢獻

在這項工作中，貢獻如下：

1）開發了一種增量k-d樹數據結構ikd樹，以高效地表示大型稠密點云地圖，除了高效的最近鄰搜索外，新的數據結構還支持增量地圖更新（即點插入、下采樣、點刪除）和以最小計算成本進行動態平衡。這些功能使ikd樹非常適合于激光雷達里程計和地圖應用，從而在計算訓練平臺上實現100 Hz里程計和建圖，ikdTree數據結構工具箱在Github上是開源的（ https://github.com/hku-mars/ikd-Tree ）

2） 由于ikd樹計算效率的提高，我們直接將原始點云配準到地圖上，這樣即使在劇烈運動和非常混亂的環境中，也能實現更精確和可靠的點云配準，我們將這種基于原始點的配準稱為直接方法，消除了人工設計的特征提取，使系統自然適用于不同的激光雷達傳感器；

3） 將這兩項關鍵技術集成到我們最近開發的緊耦合激光雷達慣性里程計系統FAST-LIO中，系統使用IMU通過嚴格的反向傳播步驟補償每個點云的運動，并通過流形迭代卡爾曼濾波器估計系統的完整狀態，為了進一步加快計算速度，使用了一個新的、數學上等價的卡爾曼增益計算公式，將計算復雜度降低到狀態的維度，新系統被稱為FAST-LIO2，并在Github開源以造福社區；

4） 作者進行了各種實驗來評估開發的ikd樹、直接點云配準和整個系統的有效性，在18個不同大小的序列上的實驗表明，ikdTree相對于現有的動態數據結構在激光雷達里程計和建圖中的應用，對來自各種開放式激光雷達數據集的19個序列進行了詳盡的基準比較，結果表明FAST-LIO2以比其他最先進的激光雷達慣性導航系統低得多的計算量實現了更高的精度，最后，文章展示了FAST-LIO2對新興固態激光雷達收集的具有挑戰性的現實世界數據的有效性，這些數據的FoV非常小，包括劇烈運動和無結構環境中。

主要內容

? 圖1? 系統概述

FAST-LIO2的狀態估計是從FAST-LIO繼承的緊耦合迭代卡爾曼濾波器，FAST-LIO2的流程如圖1所示，順序采樣的激光雷達原始點首先在10ms（用于100Hz更新）和100ms（用于10Hz更新）之間的時間段內累積。累積的點云稱為掃描數據，為了執行狀態估計，新掃描中的點云通過緊耦合迭代卡爾曼濾波框架配準到大型局部地圖中維護的地圖點（即里程計），大型局部地圖中的全局地圖點由增量k-d樹結構ikd樹組織。如果當前激光雷達的視場范圍穿過地圖邊界，則距離激光雷達姿態最遠的地圖區域中的歷史點將從ikd樹中刪除，因此，ikd樹以一定長度（本文中稱為“地圖大小”）跟蹤大立方體區域中的所有地圖點，并用于在狀態估計模塊中計算殘差。優化姿勢最終將新掃描中的點云配準到全局幀，并通過以里程計的速率插入ikd樹，將其合并到地圖中。(更詳細的模塊介紹請查看https://t.zsxq.com/z7YBqzj)

開源方案涉及到的依賴項

ikd樹：用于3D kNN搜索的最先進的動態KD樹。

IKFOM：用于快速高精度流形卡爾曼濾波器的工具箱。

UAV Avoiding Dynamic Obstacles：FAST-LIO在機器人規劃中的實現之一。

R2LIVE：使用FAST-LIO作為激光雷達慣性前端的高精度激光雷達慣性視覺融合工作。

UGV Demo：微分流形上軌跡跟蹤的模型預測控制。

FAST-LIO-SLAM：FAST-LIO與點云上下文閉環檢測模塊的集成。

FAST-LIO-LOCALIZATION：FAST-LIO與重定位功能模塊的集成。

實驗

A?數據結構評估

增量更新、kNN搜索和總時間的每次掃描點云平均消耗時間的比較

不同樹大小的數據結構比較結果

B 在數據集中的精度評估

具有高質量真值的序列中的絕對平移誤差（RMSE，單位為米）

C?大規模環境中建圖評估

每幀掃描點云基準的平均處理時間（毫秒）

大規模場景下的建圖效果

處理激光雷達點云時單個模塊的平均時間消耗（毫秒）

總結

本文提出了FAST-LIO2，這是一個直接而魯棒的LIO框架，大大優于目前最先進的LIO算法，同時在各種數據集中實現了高效率或更好的精度，速度的提高是由于刪除了特征提取模塊和高效建圖，開發并驗證了一種新的增量k-d樹（ikd-tree）數據結構，該結構支持動態點插入、刪除和并行建圖，在開放數據集上的大量實驗表明，在激光雷達里程計kNN搜索的最新數據結構中，所提出的ikd樹可以獲得最佳的整體性能。作為建圖效率的結果，在快速運動和稀疏場景中，通過在里程計中使用更多的點，精度和魯棒性也得到了提高。FAST-LIO2的另一個好處是由于去除了特征提取，可適用于不同的激光雷達。

資源

三維點云論文及相關應用分享

【點云論文速讀】基于激光雷達的里程計及3D點云地圖中的定位方法

3D目標檢測：MV3D-Net

三維點云分割綜述（上）

3D-MiniNet: 從點云中學習2D表示以實現快速有效的3D LIDAR語義分割（2020）

win下使用QT添加VTK插件實現點云可視化GUI

JSNet：3D點云的聯合實例和語義分割

大場景三維點云的語義分割綜述

PCL中outofcore模塊---基于核外八叉樹的大規模點云的顯示

基于局部凹凸性進行目標分割

基于三維卷積神經網絡的點云標記

點云的超體素(SuperVoxel)

基于超點圖的大規模點云分割

更多文章可查看：點云學習歷史文章大匯總

SLAM及AR相關分享

【開源方案共享】ORB-SLAM3開源啦！

【論文速讀】AVP-SLAM：自動泊車系統中的語義SLAM

【點云論文速讀】StructSLAM:結構化線特征SLAM

SLAM和AR綜述

常用的3D深度相機

AR設備單目視覺慣導SLAM算法綜述與評價

SLAM綜述(4)激光與視覺融合SLAM

Kimera實時重建的語義SLAM系統

SLAM綜述(3)-視覺與慣導，視覺與深度學習SLAM

易擴展的SLAM框架-OpenVSLAM

高翔：非結構化道路激光SLAM中的挑戰

SLAM綜述之Lidar SLAM

基于魚眼相機的SLAM方法介紹

掃描下方微信視頻號二維碼可查看最新研究成果及相關開源方案的演示：

如果你對本文感興趣，請點擊“原文閱讀”獲取知識星球二維碼，務必按照“姓名+學校/公司+研究方向”備注加入免費知識星球，免費下載pdf文檔，和更多熱愛分享的小伙伴一起交流吧！

以上內容如有錯誤請留言評論，歡迎指正交流。如有侵權，請聯系刪除

掃描二維碼

? ? ? ? ? ? ? ? ? ?關注我們

讓我們一起分享一起學習吧！期待有想法，樂于分享的小伙伴加入免費星球注入愛分享的新鮮活力。分享的主題包含但不限于三維視覺，點云，高精地圖，自動駕駛，以及機器人等相關的領域。

分享及合作：群主微信“920177957”（需要按要求備注） 聯系郵箱：dianyunpcl@163.com，歡迎企業來聯系公眾號展開合作。

點一下“在看”你會更好看耶

總結

以上是生活随笔為你收集整理的FAST-LIO2：快速直接的激光雷达与惯导里程计的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。