SLAM 點雲圖鑑Point clouds for construction
M-01 · 2023

KISS-ICP

KISS-ICP 回歸最基本的點到點（point-to-point）ICP，僅保留等速運動預測與逐點去畸變、體素雙重降採樣、依運動模型偏差自適應的對應距離門檻，以及穩健核函數等少數元件。地圖為雜湊表中的降採樣體素點雲，並保留原始點座標以避免離散化誤差。作者主張在同一組參數下可用於車載、無人機、Segway 與手持 LiDAR，且不需 IMU，也不含迴圈或位姿圖。

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 v2 (2209.15397v2, 2023-07-07, posted after RA-L publication); IEEE version of record not opened
全文取得途徑
arXiv 預印本
本頁內容

A minimal LiDAR-only odometry built on robust point-to-point ICP with constant-velocity deskewing, double voxel downsampling, and an adaptive correspondence threshold, working across platforms with one parameter set.

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 only
原文測試平台vehicle、UAV、wheeled UGV、handheld
狀態估計robust point-to-point ICP (Gauss-Newton with robust kernel) frame-to-local-map, constant-velocity motion prediction
資料關聯point-to-point nearest neighbour with adaptive correspondence threshold derived from observed deviation from the motion model
時間表示discrete poses with per-point constant-velocity deskew
去畸變constant-velocity model applied with per-point relative timestamps (Sec. III-A); IMU or wheel odometry can replace the velocity source
迴圈閉合none
全域最佳化none (pose-graph optimization stated as orthogonal and not used)
地圖表示voxelized, downsampled local point cloud stored in a hash table with a maximum number of points per voxel; voxels beyond maximum range removed
先驗資訊none
可輸出幾何odometry and local voxel point map; original point coordinates retained within voxels (no centroid snapping)
計算需求CPU; faster than sensor frame rate on all presented datasets (abstract; Sec. V); KITTI-raw average 38 Hz with deskewing and 51 Hz without (Table V); computing hardware not stated and detailed runtime deferred to the project page (Sec. IV-A)

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
LiDAR原文未報告資料集感測器handheld Livox data cited as [17] (Loam_livox paper; Fig. 1 only)handheld Livox LiDAR, model not given; non-repetitive shooting pattern different from rotating mechanical LiDARs(Vizzo et al., 2023, Fig. 1 caption)

作者報告的優勢與限制

優勢

  • Only seven parameters and the same configuration across datasets (Table I; Sec. IV)
  • Constant-velocity deskewing performs on par with IMU-based velocity for deskewing on KITTI-raw in their test (Sec. IV-D; Table V)
  • Lowest relative and absolute errors on all MulRan sequences versus MULLS, SuMa and F-LOAM, e.g. KAIST ATE 17.40 m versus 37.24 m for MULLS (Table III)
  • Adaptive threshold matches or beats every fixed threshold on KITTI (average 0.50% versus 0.51 to 0.53%) (Table VI)

限制

  • Assumes motion within a sweep is small (Sec. III-A)
  • Performance gap on Newer College long sequence attributed to CT-ICP loop closure (Sec. IV-C)
  • NCLT evaluation unreliable per the authors (ground-truth misalignment, missing frames); CT-ICP NCLT result could not be reproduced (Sec. IV-C)
  • No loop closure or pose-graph optimization; authors describe pose-graph optimization as orthogonal (Sec. II)
  • Reported to fail on all ENWIDE degenerate sequences (COIN-LIO, Sec. IV-C)
  • Reported to struggle with quadruped and backpack motion under constant-velocity model (RKO-LIO, Sec. II)

營建工程相關證據

原文未報告

原文驗證環境：公開基準

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 44 個比較組，合計 242 筆紀錄。以下列出本方法紀錄最多的 4 組，其餘 40 組列在最後，並連到性能比較頁。

Ferrari et al., 2024 · Table II 本方法 19 筆

表格設定（擷取紀錄原文）：KITTI benchmark RPE (%); segments 100-800 m for KITTI, MulRan and NC1, 10-80 m for NC0 and Hilti; averages exclude failures; per-sequence KITTI 00-10 and MulRan rows omitted (averages kept); values identical in arXiv v1 and version of record (Ferrari et al., 2024, Table II)

RPE [%] (segments 10-80 m)，Newer College NC0 (OS0-128) · cat. 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 Ferrari 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：原文未報告；單位：%；場景：handheld, catacombs

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

數值與出處
方法（原文寫法）報告值出處
Ours (MAD-ICP)原文提出1.16%(Ferrari et al., 2024, Table II)
KISS-ICP本方法2.06%(Ferrari et al., 2024, Table II)
F-LOAM1.36%(Ferrari et al., 2024, Table II)
MULLS2%(Ferrari et al., 2024, Table II)
CT-ICP1.12%(Ferrari et al., 2024, Table II)

Vizzo et al., 2023 · Table III 本方法 16 筆

表格設定（擷取紀錄原文）：MulRan; values are averages over the three runs per sequence; CT-ICP not evaluated because it lacks MulRan support (Vizzo et al., 2023, Table III)

Avg. tra. (KITTI relative translational error)，MulRan · KAIST

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 Vizzo 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：平均值（mean）；對齊方式：原文未報告；單位：%；場景：urban driving

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

數值與出處
方法（原文寫法）報告值出處
MULLS [21]2.94%(Vizzo et al., 2023, Table III)
SuMa [1]5.59%(Vizzo et al., 2023, Table III)
F-LOAM [33]3.43%(Vizzo et al., 2023, Table III)
Ours (KISS-ICP)本方法原文提出2.28%(Vizzo et al., 2023, Table III)

Guadagnino et al., 2025b · Table II 本方法 14 筆

表格設定（擷取紀錄原文）：RPE is the KITTI average translation error over 1, 2, 5, 10, 20, 50 and 100 m segments (%); ATE is RMS absolute translation error after alignment (m); warehouse reference is Cartographer, campus and park reference is the total station (Guadagnino et al., 2025b, Table II)

RPE [%] (KITTI metric, 1-100 m segments)，authors' warehouse and campus sequences · Campus 0

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 Guadagnino et al., 2025b 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：原文未報告；單位：%；場景：flat campus pavement, Clearpath Husky; reference Leica Nova MS60 total station

資料來源作者報告值(Guadagnino et al., 2025b, Table II)

數值與出處
方法（原文寫法）報告值出處
Wheel Odometry4.93%(Guadagnino et al., 2025b, Table II)
KISS-ICP [31]本方法4.9%(Guadagnino et al., 2025b, Table II)
WO + 3D KISS-ICP4.64%(Guadagnino et al., 2025b, Table II)
WO + 2D KISS-ICP4.43%(Guadagnino et al., 2025b, Table II)
EKF (robot_localization fusing WO + 2D KISS-ICP)6.28%(Guadagnino et al., 2025b, Table II)
Fuse (fixed-lag smoother fusing WO + 2D KISS-ICP)4.16%(Guadagnino et al., 2025b, Table II)
Kinematic-ICP原文提出2.97%(Guadagnino et al., 2025b, Table II)

Blanco-Claraco, 2025 · Table 9 本方法 14 筆

指標absolute translational error (RMSE, evo_ape -a)

表格設定（擷取紀錄原文）：Handheld Newer College sequences; ATE RMSE from evo_ape -a (Umeyama alignment); x(value) marks divergence; no method uses the IMU; same default configuration for all datasets (Blanco-Claraco, 2025, Table 9)

absolute translational error (RMSE, evo_ape -a)，Newer College (2020, sequences 01 and 02) · 01

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。

  • 發散

這些是 Blanco-Claraco, 2025 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：college campus, handheld (outdoor quads, underground passages, stairs)

資料來源作者報告值(Blanco-Claraco, 2025, Table 9)

數值與出處
方法（原文寫法）報告值出處
KISS-ICP本方法0.61 m(Blanco-Claraco, 2025, Table 9)
MOLA-LO (ours)原文提出0.68 m(Blanco-Claraco, 2025, Table 9)
MOLA-LO (always updates local map)5.11 m發散註記（擷取紀錄）：diverged (value printed in parentheses)(Blanco-Claraco, 2025, Table 9)
MOLA-LO + LC (ours)原文提出0.31 m(Blanco-Claraco, 2025, Table 9)

其他比較組

列出其餘 40 個比較組

來源

  • Vizzo et al., 2023

    Ignacio Vizzo, Tiziano Guadagnino, Benedikt Mersch, Louis Wiesmann, Jens Behley, Cyrill Stachniss（2023）KISS-ICP: In Defense of Point-to-Point ICP – Simple, Accurate, and Robust Registration If Done the Right WayIEEE Robotics and Automation Letters, 8(2):1029-1036

    DOI 10.1109/lra.2023.3236571arXiv 2209.15397程式碼

    同儕審查已出版已讀全文近十年

程式碼：https://github.com/PRBonn/kiss-icp（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