SLAM 點雲圖鑑Point clouds for construction
M-01 · 2022

DLO

DLO 採「速度優先」設計，直接使用輕度降採樣的稠密點雲，以自製 NanoGICP 先做相鄰掃描配準、再對由關鍵影格組成的子地圖配準。子地圖不以半徑搜尋點，而是在關鍵影格空間中選取最近鄰與凸包關鍵影格拼接，使遠處結構也能參與配準。IMU 僅選擇性提供旋轉初值（鬆耦合），且作者明言未做運動畸變校正。

里程計＋局部建圖近十年已讀全文同儕審查已出版當代 LiDAR（慣性）里程計與 SLAM

閱讀版本
arXiv v3 (2022-01-07), RA-L preprint version accepted January 2022; IEEE version of record not read
全文取得途徑
arXiv 預印本
本頁內容

Speed-first dense LiDAR odometry using two-stage GICP and keyframe-space submapping (nearest plus convex-hull keyframes), with only an optional IMU rotational prior and no deskewing.

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 (Ouster OS1, Velodyne VLP-16)、IMU (optional, gyroscope rotational prior only; VectorNav VN-100 on the field platforms and in the SubT Alpha dataset)
原文測試平台UAV、legged
狀態估計two-stage GICP optimization (scan-to-scan then scan-to-map) with optional loosely-coupled IMU rotational prior
資料關聯GICP on minimally preprocessed dense clouds (1 m box filter, 0.25 m voxel filter) using custom NanoGICP with data-structure reuse
時間表示discrete poses
去畸變none (authors state they do not correct motion distortion, Sec. II-B)
迴圈閉合none
全域最佳化none
地圖表示keyframe database; submap built by concatenating k-nearest and convex-hull keyframe clouds (adaptive keyframing via spaciousness metric)
先驗資訊none
可輸出幾何pose estimates and keyframe-based map; export format 原文未報告
計算需求CPU; average 21.9 ms per scan and 9.5% CPU load with full data-structure recycling on a 4-core i7 1.30 GHz (Sec. III-A); field platforms ran on an Intel NUC Board NUC7i7DNBE 1.9 GHz (Sec. III-C); benchmark CPU usage 0.92 cores max and 0.62 cores mean (Table III)

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
LiDAROuster OS1方法輸入未標示360 deg LiDAR, 20 Hz as stated; on custom quadrotor(Chen et al., 2022a, Fig. 1A; Sec. II-B; Sec. III-C)
LiDARVelodyne VLP-16方法輸入未標示360 deg LiDAR, 10 Hz; with protective guards on Spot(Chen et al., 2022a, Fig. 1B; Sec. II-B; Sec. III-C)
LiDARVelodyne VLP-16資料集感測器DARPA SubT Urban Circuit Alpha Course原文未報告(Chen et al., 2022a, Sec. III-A)
慣性量測單元（IMU）VectorNav VN-100歸入：VectorNav VN100方法輸入未標示rigidly mounted below the LiDAR base on both field platforms; gyroscope used for optional rotational prior(Chen et al., 2022a, Sec. III-C)
慣性量測單元（IMU）VectorNav VN-100歸入：VectorNav VN100資料集感測器DARPA SubT Urban Circuit Alpha Course原文未報告(Chen et al., 2022a, Sec. III-A)
載具平台custom quadrotor (Team CoSTAR)方法輸入未標示carries Ouster OS1(Chen et al., 2022a, Fig. 1A)
載具平台Boston Dynamics Spot方法輸入未標示legged robot with custom payload(Chen et al., 2022a, Fig. 1B)
運算硬體Intel NUC Board NUC7i7DNBE執行運算平台未標示1.9 GHz CPU(Chen et al., 2022a, Sec. III-C)
運算硬體4-core Intel i7 1.30 GHz CPU執行運算平台未標示4-core, 1.30 GHz(Chen et al., 2022a, Sec. III-A)

作者報告的優勢與限制

優勢

  • Keyframe-based submapping reduced positional error and processing time versus radius-based submapping on SubT Alpha course (Sec. III-A-1)
  • Primary state estimation for Team CoSTAR aerial vehicles in DARPA SubT (Sec. I)
  • Lowest APE (max, mean, std) and ME on both Alpha and Beta courses with less than one CPU core used, versus BLAM, Cartographer, LIO-Mapping, LOAM and LOCUS (Table III)
  • NanoGICP converged in 42.53 ms on average versus 72.88 ms for FastGICP and 178.24 ms for PCL GICP (Sec. III-A-3)

限制

  • No motion distortion correction; listed with tighter IMU integration as future work (Sec. II-B; Sec. IV)
  • LIO-SAM and LVI-SAM could not be compared due to calibration and input requirements (Sec. III-B)
  • Competitor numbers and ground truth in Table III were retrieved from the LOCUS paper rather than rerun by the authors (Sec. III-B)

營建工程相關證據

作者在肯塔基州列星頓的地下石灰岩礦坑、洛杉磯三層廢棄地鐵站與 DARPA SubT 城市賽道（華盛頓州 Elma 的廢棄電廠）測試，另以 Team Explorer 提供的 Mega Cavern 資料建圖（估計軌跡 9057.66 m），屬地下或既有設施情境；未在施工中工地測試。

原文驗證環境：公開基準、地下或隧道

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 15 個比較組，合計 73 筆紀錄。以下列出本方法紀錄最多的 4 組，其餘 11 組列在最後，並連到性能比較頁。

Yin et al., 2023 · Table 6 本方法 12 筆

表格設定（擷取紀錄原文）：LiDAR-only comparison (no IMU for any method) on four sequences; 2D RMSE against the Cartographer 2D reference; Delta Z = mean height of the last 50 poses minus that of the first 50 poses, planar motion assumed (Yin et al., 2023, Table 6)

Tr. (m), 2D translation RMSE，self-collected NUS SDE4 sequences · 2-3

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。

這些是 Yin 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。

統計量：均方根誤差（RMSE）；對齊方式：原文未報告；單位：m；場景：completed six-storey university building (NUS SDE4), corridors and lounges, storeys 2-5

資料來源作者報告值(Yin et al., 2023, Table 6)

數值與出處
方法（原文寫法）報告值出處
LOAM [5] (A-LOAM code)0.058 m(Yin et al., 2023, Table 6)
DLO [55]本方法0.062 m(Yin et al., 2023, Table 6)
Open3D SLAM [56]0.1 m(Yin et al., 2023, Table 6)
BIM-based Localization (proposed)原文提出0.077 m(Yin et al., 2023, Table 6)

Chen et al., 2022a · Table III 本方法 10 筆

表格設定（擷取紀錄原文）：DARPA SubT Urban Circuit Alpha and Beta courses; competitor numbers and ground truth retrieved from the LOCUS paper [13], not rerun; APE max/mean/std and ME rmse in m; CPU usage in number of cores (Chen et al., 2022a, Table III)

APE [m] max，DARPA SubT Urban Circuit (Alpha and Beta courses) · Alpha Course (757.4 m)

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。

這些是 Chen et al., 2022a 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。

統計量：最大值（max）；對齊方式：原文未報告；單位：m；場景：abandoned power plant, Elma WA (subterranean-like urban)

資料來源作者報告值(Chen et al., 2022a, Table III)

數值與出處
方法（原文寫法）報告值出處
BLAM [12]3.44 m(Chen et al., 2022a, Table III)
Cartographer [19]5.84 m(Chen et al., 2022a, Table III)
LIO-Mapping [5]2.12 m(Chen et al., 2022a, Table III)
LOAM [10]4.33 m(Chen et al., 2022a, Table III)
LOCUS [13]0.63 m(Chen et al., 2022a, Table III)
DLO本方法原文提出0.4 m(Chen et al., 2022a, Table III)

Koide et al., 2024 · Table V 本方法 10 筆

指標Absolute Trajectory Error [m] (no loop closure)

表格設定（擷取紀錄原文）：Multi-Camera Newer College (Ouster OS0-128, Alphasense Core); translational ATE; unlabeled rows are the no-loop-closure variant of the method printed in the next row (checked against the PDF layout and the ablation baseline in Table VIII) (Koide et al., 2024, Table V)

Absolute Trajectory Error [m] (no loop closure)，Multi-Camera Newer College · quad-easy

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。

這些是 Koide et al., 2024 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。

統計量：原文未報告；對齊方式：原文未報告；單位：m；場景：handheld campus indoor and outdoor

資料來源作者報告值(Koide et al., 2024, Table V)

數值與出處
方法（原文寫法）報告值出處
LINS [3]0.16 m(Koide et al., 2024, Table V)
LIO-SAM [10] (without loop closure; unlabeled row above LIO-SAM)0.086 m(Koide et al., 2024, Table V)
FAST-LIO2 [5]0.068 m(Koide et al., 2024, Table V)
CLINS [11] (without loop closure; unlabeled row above CLINS)0.197 m(Koide et al., 2024, Table V)
DLO [14]本方法0.08 m(Koide et al., 2024, Table V)
GLIM (odometry, without loop closure; unlabeled row above GLIM)原文提出0.07 m(Koide et al., 2024, Table V)

Chen et al., 2023 · Table II 本方法 8 筆

表格設定（擷取紀錄原文）：Self-collected UCLA campus data, hand-carried aerial platform with Ouster OS1 (10 Hz, 32 channels, 512 horizontal) and InvenSense MPU-6050; no ground truth, so end-to-end translational error is used as a proxy (Chen et al., 2023, Table II)

End-to-End Translational Error，UCLA Campus (self-collected) · A (652.66 m)

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。

這些是 Chen 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。

統計量：原文未報告；對齊方式：未對齊；單位：m；場景：handheld (hand-carried aerial platform), outdoor campus, Royce Hall in Dickson Court

資料來源作者報告值(Chen et al., 2023, Table II)

數值與出處
方法（原文寫法）報告值出處
DLO [20]本方法0.0216 m(Chen et al., 2023, Table II)
CT-ICP [9]0.0387 m(Chen et al., 2023, Table II)
LIO-SAM [4]0.0216 m(Chen et al., 2023, Table II)
FAST-LIO2 [6]0.0454 m(Chen et al., 2023, Table II)
DLIO原文提出0.0105 m(Chen et al., 2023, Table II)

其他比較組

列出其餘 11 個比較組

來源

  • Chen et al., 2022a

    Kenny Chen, Brett T. Lopez, Ali-akbar Agha-mohammadi, Ankur Mehta（2022）Direct LiDAR Odometry: Fast Localization With Dense Point CloudsIEEE Robotics and Automation Letters, 7(2):2000-2007

    DOI 10.1109/lra.2022.3142739arXiv 2110.00605程式碼

    同儕審查已出版已讀全文近十年

程式碼：https://github.com/vectr-ucla/direct_lidar_odometry（授權：MIT (LICENSE file checked)）。有公開程式碼不等於已被重現，也不代表目前版本與論文版本相同。

回到方法圖鑑

SLAM 點雲圖鑑

本站為綜述論文《SLAM-Based Point Clouds for Construction: A Review》研究過程的互動說明文件。互動圖為教學模擬，不代表任何特定系統的實測表現；方法描述、數值與結論以所引原始文獻為準。

內容基準日 2026-09-25 · 研究與網站製作使用 AI 輔助工具，見 證據標記與方法

選擇開啟Esc關閉