SLAM 點雲圖鑑Point clouds for construction
M-01 · 2024

iG-LIO

iG-LIO 將廣義 ICP（GICP）約束與 IMU 約束緊耦合於最大後驗（MAP）估計，以迭代式誤差狀態更新求解。作者以體素為基礎的表面共變異數估計器降低共變異數計算成本，並以增量式體素地圖儲存環境的機率模型，以減少最近鄰搜尋與地圖管理時間。作者強調所有資料集使用相同參數，效率高於 Faster-LIO 而精度相近。

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
Author-posted IEEE RA-L accepted version (early access, 'accepted January 2024') from the authors' GitHub, read in full; IEEE Xplore version of record (RA-L 9(2):1883-1890) opened via NTU institutional access in Chrome: Sec. III text and Tables III-IV checked identical
全文取得途徑
作者自存版本
本頁內容

Tightly couples GICP and IMU constraints in a MAP estimate with a voxel-based surface-covariance estimator and incremental voxel map, running faster than Faster-LIO with comparable accuracy.

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 (mechanical and solid-state)、IMU
原文測試平台handheld、vehicle、wheeled UGV
狀態估計MAP estimation combining IMU prior and GICP constraints, solved by Gauss-Newton iterations, with error-state covariance propagation analogous to the iterated error-state Kalman filter
資料關聯GICP with voxel-based surface covariance estimator (VSCE); nearest neighbours via voxel hash indexes
時間表示discrete poses
去畸變IMU integration (midpoint integration) motion compensation before registration
迴圈閉合none
全域最佳化none
地圖表示incremental voxel map storing probabilistic (point and covariance) models
先驗資訊none
可輸出幾何IMU-rate and LiDAR-rate odometry and voxel map; export format 原文未報告
計算需求CPU only: Intel i7-10875H (2.30 GHz x 16 cores), 32 GB RAM, ROS on Ubuntu 18.04; average 0.87 to 19.7 ms per scan; Faster-LIO slightly faster only on the 100 Hz avia_2 and avia_3 sequences (Sec. III; Sec. III-A; Table II)

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
LiDARLivox avia歸入：Livox Avia方法輸入未標示handheld small-FOV solid-state LiDAR (Sec. III-B-3; Sec. III-C-3); captures the self-collected GDUT data (Sec. III-B-1)(Chen et al., 2024, Sec. III-B-1; Sec. III-B-3; Sec. III-C-3)
LiDARLivox avia歸入：Livox Avia資料集感測器AVIA (from FastLIO2 and R3LIVE); Botanic Gardenhandheld; avia_2 and avia_3 sampled at 100 Hz; also used in Botanic Garden '*' sequences(Chen et al., 2024, Sec. III; Sec. III-B-1; Sec. III-B-5; Tables II-IV)
LiDARVelodyne HDL-32E資料集感測器NCLT; ULHK360 deg mechanical LiDAR(Chen et al., 2024, Sec. III-B-1; Sec. III-B-4)
LiDAROuster OS1-64資料集感測器Newer College (NCD)360 deg mechanical LiDAR(Chen et al., 2024, Sec. III-B-1)
LiDARVelodyne VLP-16資料集感測器Botanic Garden原文未報告(Chen et al., 2024, Sec. III-B-5)
運算硬體Intel i7-10875H執行運算平台未標示2.30 GHz x 16 cores, 32 GB RAM, ROS on Ubuntu 18.04(Chen et al., 2024, Sec. III)

作者報告的優勢與限制

優勢

  • Identical parameters across all six datasets: NCLT, Newer College, ULHK, Botanic Garden, AVIA and self-collected GDUT (abstract; Sec. III)
  • Clearer map than FAST-LIO2 under manual flipping up to 183 deg/s attributed to midpoint-integration deskew (Sec. III-B-2)
  • 1.2 to 1.5 times faster than Faster-LIO, 2.3 to 2.7 times faster than FastLIO2 and 1.5 to 3.5 times faster than DLIO on most sequences (Sec. III-A; Table II)
  • Returns to the start point in narrow indoor-outdoor handheld mapping where Faster-LIO and FastLIO2 drift 0.782 m and 1.537 m (Table IV; Sec. III-B-3)

限制

  • Newer College ground truth has about 3 cm error when stationary, so small APE differences are treated as identical (Sec. III-B-2) (evaluation limitation)
  • Faster-LIO is slightly faster on 100 Hz Livox sequences avia_2 and avia_3 (Table II)
  • On the Livox avia Botanic Garden sequence bg_1*, APE 3.324 m is higher than the kd-tree variant iG-LIO* (2.032 m) (Table III)
  • AVIA and GDUT have no ground truth, so only end-to-end error is reported (Sec. III-B; Table IV)

營建工程相關證據

原文未報告（含校園大門手持重建與室內外資料）

原文驗證環境：公開基準、受控實驗

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 3 個比較組，合計 26 筆紀錄。

Chen et al., 2024 · Table III 本方法 16 筆

表格設定（擷取紀錄原文）：Absolute pose error (RMSE, m); identical iG-LIO parameters for all sequences; BG sequences evaluated with origin alignment, others with SE(3) alignment; '*' marks Livox avia sequences (Chen et al., 2024, Table III)

Absolute pose error (RMSE, meters)，NCLT · nclt_1

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., 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：均方根誤差（RMSE）；對齊方式：SE(3) 剛體對齊；單位：m；場景：campus (Velodyne HDL-32E)

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

數值與出處
方法（原文寫法）報告值出處
iG-LIO本方法原文提出1.673 m(Chen et al., 2024, Table III)
iG-LIO* (kd-tree surface covariance variant, ablation)1.795 m(Chen et al., 2024, Table III)
NDT-LIO (ablation)2.365 m(Chen et al., 2024, Table III)
Faster-LIO1.855 m(Chen et al., 2024, Table III)
FastLIO21.734 m(Chen et al., 2024, Table III)
DLIO2.104 m(Chen et al., 2024, Table III)

Chen et al., 2024 · Table II 本方法 6 筆

指標Time (ms) per scan

表格設定（擷取紀錄原文）：Average processing time per scan (ms); only 6 of 20 sequences kept (nclt_1, ncd_1, ulhk_1, bg_1, avia_1 and the 100 Hz avia_2; bg_1*, bg_2*, avia_3, gdut_1 and the other NCLT, NCD, ULHK and BG runs omitted); feature-count columns omitted; voxel size 0.5 m for iG-LIO (Chen et al., 2024, Table II)

Time (ms) per scan，NCLT · nclt_1

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., 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：平均值（mean）；對齊方式：未對齊；單位：ms；場景：see dataset

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

數值與出處
方法（原文寫法）報告值出處
iG-LIO本方法原文提出硬體：Intel i7-10875H CPU (2.30 GHz x 16 cores), 32 GB RAM, ROS on Ubuntu 18.048.524 ms(Chen et al., 2024, Table II)
iG-LIO* (kd-tree surface covariance variant, ablation)硬體：Intel i7-10875H CPU (2.30 GHz x 16 cores), 32 GB RAM, ROS on Ubuntu 18.0413.716 ms(Chen et al., 2024, Table II)
Faster-LIO硬體：Intel i7-10875H CPU (2.30 GHz x 16 cores), 32 GB RAM, ROS on Ubuntu 18.0410.07 ms(Chen et al., 2024, Table II)
FastLIO2硬體：Intel i7-10875H CPU (2.30 GHz x 16 cores), 32 GB RAM, ROS on Ubuntu 18.0422.536 ms(Chen et al., 2024, Table II)
DLIO硬體：Intel i7-10875H CPU (2.30 GHz x 16 cores), 32 GB RAM, ROS on Ubuntu 18.0431.808 ms(Chen et al., 2024, Table II)

Chen et al., 2024 · Table IV 本方法 4 筆

指標End to end errors (meters)

表格設定（擷取紀錄原文）：End-to-end drift (m) for loops starting and ending at the same place; no ground truth available for AVIA and GDUT (Chen et al., 2024, Table IV)

End to end errors (meters)，AVIA · avia_1

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。

  • 僅報告範圍

這些是 Chen 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：未對齊；單位：m；場景：handheld Livox avia, large indoor-outdoor loop (0.96 km)

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

數值與出處
方法（原文寫法）報告值出處
iG-LIO本方法原文提出無數值僅報告範圍註記（擷取紀錄）：below 0.1 m (reported as '<0.1')(Chen et al., 2024, Table IV)
iG-LIO* (kd-tree surface covariance variant, ablation)無數值僅報告範圍註記（擷取紀錄）：below 0.1 m (reported as '<0.1')(Chen et al., 2024, Table IV)
NDT-LIO (ablation)無數值僅報告範圍註記（擷取紀錄）：below 0.1 m (reported as '<0.1')(Chen et al., 2024, Table IV)
Faster-LIO0.782 m(Chen et al., 2024, Table IV)
FastLIO21.537 m(Chen et al., 2024, Table IV)

來源

  • Chen et al., 2024

    Zijie Chen, Yong Xu, Shenghai Yuan, Lihua Xie（2024）iG-LIO: An Incremental GICP-Based Tightly-Coupled LiDAR-Inertial OdometryIEEE Robotics and Automation Letters, 9(2):1883-1890

    DOI 10.1109/lra.2024.3349915程式碼

    同儕審查已出版已讀全文近十年查證後修正

程式碼：https://github.com/zijiechenrobotics/ig_lio（授權：GPL-2.0 (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