作者丨半闲居士@知乎

来源丨https://zhuanlan.zhihu.com/p/468628910

编辑丨点云PCL

文章：Faster-LIO: Lightweight Tightly Coupled Lidar-inertial Odometry using Parallel Sparse Incremental Voxels

作者：Chunge Bai1,2, Tao Xiao2, Yajie Chen2, Haoqian Wang1 , Fang Zhang2and Xiang Gao

代码：https://github.com/gaoxiang12/faster-lio.git

摘要

本文提出了一种基于增量体素的激光雷达惯导里程计（LIO）方法，用于快速跟踪旋转和固态激光雷达扫描点云，为了获得较高的跟踪速度，我们既不使用复杂的基于树的结构来划分空间点云，也不使用严格的k近邻（k-NN）查询来计算点匹配。相反，我们使用增量体素（iVox）作为我们的点云空间数据结构，它是从传统体素修改而来的，支持增量插入和并行近似k-NN查询，我们在算法中提出了线性iVox和PHC（伪希尔伯特曲线）iVox作为两种可选的底层结构，实验表明，在固态激光雷达中，iVox的每次扫描速度达到1000-2000HZ，而在32线旋转激光雷达中，iVox的速度超过200赫兹（仅使用现代CPU），同时仍保持相同的精度水平!

总体介绍

大体来讲，LIO系统的整个计算流程是比较固定的：它们从IMU中得到一个粗略的估计，然后把雷达的数据与一些历史数据做配准，最后用某种状态估计算法进行滤波或者优化。IMU部分的处理差别不大，所以LIO系统的计算效率主要与点云算法和后端算法相关，我们大致分三个方面：

点云最近邻的数据结构。点云配准的基本问题是计算给定点与历史点云的最近邻，通常需要依赖一些最近邻的数据结构。这些数据结构又大体分为树类的（tree like）和体素类（voxel like）的。广义的，高维的最近邻问题是一个比较复杂的问题，但LIO里的最近邻则是低维的、增量式的问题。于是，像R*树、B* 树等静态的数据结构并不是非常适合LIO。FastLIO2里提出使用增量式的kdtree来处理最近邻，我们则认为增量的体素更适合LIO系统。

点云残差的计算方式。自动驾驶里普遍偏向不直接使用点到点的残差，而是使用点到线或点到面的残差。点到点的残差形式虽然简单，但雷达点云和RGBD点云相比，更加稀疏，在车辆运动过程中不见得都能打到同一个点，而且点云也往往会被降采样后再进行处理，所以并不太适合在自动驾驶中使用。LOAM系列会计算点云特征，实际当中特征提取要花的时间是不可忽略的，甚至是主要计算部分。

状态估计算法的选型。LIO和VIO中普遍会使用介于单帧EKF和批量优化之间的方案，例如IEKF、MSCKF、Sliding Window Filter等等。这其中又以IEKF算是最简单有效的一类，既有迭代来保证精度，又不需要像预积分系统那样算一堆雅可比矩阵。

实验

仿真实验是在一个随机生成的点云里进行K近邻查找以及新增地图点的实验。我们对比了Kdtree flann, ikd-tree, nanoflann R-tree, faiss-IVF, nmslib几个库。耗时与地图点数的关系图如下：

插入、K近邻查询时间与点数的关系

各算法的召回率与时间曲线如下：

数据集实验

数据集实验主要比较整个LIO系统的耗时和计算精度。由于Faster-LIO框架与FastLIO2基本相同，我们时间上对标的也主要是FastLIO2，其他系统主要是用来做个参考。32线雷达的详细步骤算法耗时如下图所示：

在精度方面，考虑到LIO默认不带回环检测，所以我们主要评价每百米的漂移误差指标（百分比形式），见下表

与LeGO-LOAM对比

总结

本文提出了一种更快速的LIO方法，使用iVox作为最近邻方案，在同等精度指标下可以明显提升LIO计算速度。

内容摘自半闲居士的知乎文章，点击“原文阅读”可查看知乎原文：https://zhuanlan.zhihu.com/p/468628910

本文仅做学术分享，如有侵权，请联系删文。

3D视觉精品课程推荐：

1.面向自动驾驶领域的多传感器数据融合技术

2.面向自动驾驶领域的3D点云目标检测全栈学习路线！(单模态+多模态/数据+代码)
3.彻底搞透视觉三维重建：原理剖析、代码讲解、及优化改进
4.国内首个面向工业级实战的点云处理课程
5.激光-视觉-IMU-GPS融合SLAM算法梳理和代码讲解
6.彻底搞懂视觉-惯性SLAM：基于VINS-Fusion正式开课啦
7.彻底搞懂基于LOAM框架的3D激光SLAM: 源码剖析到算法优化
8.彻底剖析室内、室外激光SLAM关键算法原理、代码和实战(cartographer+LOAM +LIO-SAM)

9.从零搭建一套结构光3D重建系统[理论+源码+实践]

10.单目深度估计方法：算法梳理与代码实现

11.自动驾驶中的深度学习模型部署实战

12.相机模型与标定(单目+双目+鱼眼）

13.重磅！四旋翼飞行器：算法与实战

14.ROS2从入门到精通：理论与实战

重磅！3DCVer-学术论文写作投稿 交流群已成立

扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。

同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。

一定要备注：研究方向+学校/公司+昵称，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。原创投稿也请联系。

▲长按加微信群或投稿

▲长按关注公众号

3D视觉从入门到精通知识星球：针对3D视觉领域的视频课程（三维重建系列、三维点云系列、结构光系列、手眼标定、相机标定、激光/视觉SLAM、自动驾驶等）、知识点汇总、入门进阶学习路线、最新paper分享、疑问解答五个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近4000星球成员为创造更好的AI世界共同进步，知识星球入口：

学习3D视觉核心技术，扫描查看介绍，3天内无条件退款

圈里有高质量教程资料、答疑解惑、助你高效解决问题

觉得有用，麻烦给个赞和在看~