AdaLIO
AdaLIO 以 Faster-LIO 為基礎，針對螺旋樓梯與走廊等狹窄室內空間中固定參數導致對應點驟減而發散的問題，加入自適應參數策略：當體素降取樣後的點數少於一般情況且多數佔用體素靠近感測器原點時，判定為類走廊的退化場景，改用較小的體素（0.2 m 改為 0.1 m）、較小的法向量搜尋半徑（3.0 m 改為 2.0 m）與較嚴格的平面殘差門檻（0.05 m 改為 0.025 m），以保留足夠且可靠的點到平面對應。濾波器、去畸變與體素地圖仍沿用 Faster-LIO。
本頁內容
Faster-LIO-based LIO that detects corridor-like degenerate scenes from a low voxelized point count with occupied voxels near the sensor and then switches to a smaller voxel size, search radius and plane residual margin to keep enough reliable point-to-plane correspondences.
技術屬性
欄位內容為文獻擷取紀錄的原文用語（英文），以原文為據；「未查證」表示本研究尚未讀到該資訊，不代表該方法不具備此能力。
| 感測輸入 | 3D LiDAR、IMU (HILTI-Oxford dataset sensors; models not named in the paper) |
|---|---|
| 原文測試平台 | handheld (HILTI-Oxford sequences carried by a surveyor) |
| 狀態估計 | iterated error-state Kalman filter on manifold inherited from Faster-LIO, with IMU forward and backward propagation (Sec. III-B) |
| 資料關聯 | Faster-LIO nearest-neighbour search and point-to-plane residuals on a voxelized scan; when degeneracy is detected the voxel size (0.2 to 0.1 m), search radius (3.0 to 2.0 m) and plane residual margin (0.05 to 0.025 m) are reduced (Sec. III-C, Table I) |
| 時間表示 | discrete poses with per-point IMU back-propagation (Faster-LIO) (Sec. III-B) |
| 去畸變 | IMU forward and backward propagation (Sec. III-B) |
| 迴圈閉合 | none |
| 全域最佳化 | none |
| 地圖表示 | global voxel map from Faster-LIO (incremental voxels) (Sec. III-B, Fig. 2) |
| 先驗資訊 | none |
| 可輸出幾何 | odometry and accumulated point map (Fig. 4) |
| 計算需求 | 原文未報告 |
使用設備
原文使用的感測器、運算硬體與載具（equipment）。型號保留原文寫法，連結到設備頁中同一型號的歸併名稱；角色依原文用途分為方法輸入、資料集感測器、執行運算平台、參考或真值量測（reference or ground truth）與比較對象設備。
| 類別 | 型號（原文寫法） | 角色 | 資料集 | 原文規格 | 出處 |
|---|---|---|---|---|---|
| 載具平台 | hand-carried HILTI-Oxford sensor rig (not described in the paper) | 資料集感測器 | HILTI-Oxford dataset | a surveyor descends stairs while carrying the device | (Lim et al., 2023, Sec. IV-B; Sec. IV-C) |
作者報告的優勢與限制
優勢
- Passed the narrow spiral staircase of HILTI-Oxford Exp11 where Faster-LIO diverged (Sec. IV-B, Figs. 1 and 3)
- Total validation score 354 versus 264 for Faster-LIO on Exp01 to Exp06; Faster-LIO diverged on Exp03 while AdaLIO scored 81 (Table II)
- Same score as Faster-LIO on Exp02 and Exp04 without narrow spaces, so the adaptation does not degrade open-space results (Sec. IV-C)
限制
- Only compared against Faster-LIO; no runtime, trajectory ATE or other baselines reported (Sec. IV)
- No marker was within 1 cm for either method in any validation sequence (Table II)
- Degeneracy test uses unstated thresholds on point count and voxel distance; the two parameter sets are fixed values (Sec. III-C, Table I)
- Authors leave a degeneracy-robust SLAM framework and tests on other robot platforms to future work (Sec. V)
營建工程相關證據
論文明確以營建工地與建物測繪為動機，並在 HILTI-Oxford 驗證集 Exp01 至 Exp06 上評估；依本資料庫（Zhang et al., 2023c），這些序列位於施工中的營建工地，參考值為毫米級控制點。AdaLIO 讓 Faster-LIO 在 Exp03 施工樓梯下行至地下停車場時不再發散，並在 Exp11 狹窄螺旋梯中維持追蹤。以 AdaLIO 為前端並加入 Quatro 迴圈偵測與 GTSAM 因子圖的 KAIST URL 團隊，在 Hilti SLAM Challenge 2023 單次作業 LiDAR 組排名第一（1177.64 分，RMSE ATE 0.033 m，控制點涵蓋 100%）（Nair et al., 2024），但該成績來自完整 SLAM 系統，不能直接歸於本文的純里程計。
原文驗證環境：公開基準、施工中工地、獨立參考量測
報告的性能數據
以下是原文作者報告的性能數值（author-reported results），不是本研究重新量測的結果。每張圖只並列同一個比較組（comparison group，同一張表、同一組實驗設定）內的方法；不同比較組之間的數值不可直接比較，也不構成排名。
本方法共出現在 1 個比較組，合計 28 筆紀錄。
Lim et al., 2023 · Table II 本方法 28 筆
表格設定（擷取紀錄原文）：HILTI-Oxford validation sequences with millimetre-level marker poses; each marker scored 10, 6 or 3 if the closest estimated pose is within 1, 10 or 100 cm; x = trajectory diverged (Lim et al., 2023, Table II)
number of markers within 1 cm，HILTI-Oxford dataset (HILTI SLAM Challenge 2022 validation set) · Exp01
只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。
按 Tab 進入圖表後，用上下方向鍵逐一瀏覽各類別，Esc 關閉提示框；也可開啟表格檢視閱讀全部數值。
這些是 Lim et al., 2023 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。
資料來源作者報告值(Lim et al., 2023, Table II)
| 方法（原文寫法） | 報告值 | 出處 |
|---|---|---|
| Faster-LIO [17] | 0 count | (Lim et al., 2023, Table II) |
| AdaLIO (Ours)本方法原文提出 | 0 count | (Lim et al., 2023, Table II) |
來源
Lim et al., 2023
（2023）AdaLIO: Robust Adaptive LiDAR-Inertial Odometry in Degenerate Indoor Environments2023 20th International Conference on Ubiquitous Robots (UR), pp. 48-53
DOI 10.1109/ur57808.2023.10202252arXiv 2304.12577
同儕審查已出版已讀全文近十年
相關版本
- 預印本：arXiv 2304.12577 v1 (2023-04-25), only version https://arxiv.org/abs/2304.12577