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

LIO-EKF

LIO-EKF 把 KISS-ICP 的點對點配準與傳統誤差狀態擴展卡爾曼濾波結合成緊耦合 LiDAR 慣性里程計。預測步使用慣性導航領域的精確捷聯 INS 機械編排，作者認為 IMU 預測夠準，因此每個掃描只做一次卡爾曼修正，不需迭代。資料關聯的最大對應距離不以經驗設定，而是由 IMU 相對位姿不確定度（經無跡轉換投影到點距）、體素地圖離散化誤差與 LiDAR 測距雜訊三者組合，以三倍標準差自動求得，藉此減少需調整的參數。

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 (2024-05-08); IEEE ICRA 2024 version of record not read
全文取得途徑
arXiv 預印本
本頁內容

Tightly coupled LIO that combines KISS-ICP point-to-point registration against a voxel map with a single-update error-state EKF driven by strapdown INS mechanization, and sets the correspondence threshold automatically from IMU relative-pose uncertainty, voxel discretization error and range noise.

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 (dataset sensors; models not named in the paper)、consumer-grade MEMS IMU
原文測試平台vehicle (UrbanNav, Hong Kong)、wheeled UGV (M2DGR, Shanghai campus)、handheld (Newer College, Oxford)
狀態估計classical error-state EKF with a single correction per scan (no iterations), strapdown INS mechanization for prediction and the Kalman-gain reformulation of FAST-LIO for the update (Sec. III-A, III-B)
資料關聯KISS-ICP-style point-to-point: voxel-subsampled scan matched to a voxel-hashed local map by nearest neighbour within an adaptive threshold tau = 3 sqrt(sigma_p2p^2 + sigma_map^2 + sigma_range^2) that combines IMU relative-pose uncertainty (unscented transform), voxel discretization error and LiDAR range noise (Sec. III-B, III-C)
時間表示discrete scan poses with IMU prediction between scans (Sec. III-A)
去畸變each scan deskewed with the IMU-predicted pose before registration (Sec. III-B)
迴圈閉合none
全域最佳化none
地圖表示voxel-grid local point map with a maximum number of points per voxel, maintained as in KISS-ICP (Sec. III-B)
先驗資訊LiDAR-IMU extrinsic calibration; IMU and range noise taken from datasheets (Sec. III-B, IV-B)
可輸出幾何odometry at close to IMU rate and a local voxel point map
計算需求CPU: average correction-step time 12.37, 13.65 and 7.36 ms on UrbanNav, M2DGR and Newer College versus 24.03, 29.96 and 9.42 ms for FAST-LIO2 on an Intel i7-10700 at 2.90 GHz with 32 GB RAM (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
LiDAR3D LiDAR (dataset sensors; models not stated)資料集感測器UrbanNav, M2DGR and Newer College原文未報告(Wu et al., 2024a, Sec. III; Sec. IV-A)
慣性量測單元（IMU）consumer-grade MEMS IMUs (models not stated)資料集感測器UrbanNav, M2DGR and Newer College原文未報告(Wu et al., 2024a, Sec. IV-A)
載具平台car資料集感測器UrbanNavautonomous driving sequences in Hong Kong(Wu et al., 2024a, Sec. IV-A; Fig. 1)
載具平台wheeled mobile robot資料集感測器M2DGRuniversity campus in Shanghai(Wu et al., 2024a, Sec. IV-A; Fig. 1)
載具平台handheld device資料集感測器Newer College DatasetOxford university campus(Wu et al., 2024a, Sec. IV-A; Fig. 1)
運算硬體Intel i7-10700執行運算平台未標示2.90 GHz, 32 GB RAM, desktop(Wu et al., 2024a, Sec. IV-D)

作者報告的優勢與限制

優勢

  • Accuracy on par with FAST-LIO2 and LIO-SAM on UrbanNav, M2DGR and Newer College with one configuration; better relative errors than FAST-LIO2 on UrbanNav and Newer College (Table I)
  • About two times faster than FAST-LIO2 and four times faster than LIO-SAM in scan processing, close to a 100 Hz IMU rate (Table II)
  • Iterating the update 10 or 100 times changed relative translation error by at most 0.08 percentage points, while processing time grew 5.6 to 6.8 times at 100 iterations in Table III (the text states a factor of 8) (Table III, Sec. IV-E-1)
  • Adaptive threshold generalized better than fixed 0.3 m or 1 m thresholds and the KISS-ICP adaptive threshold across UrbanNav and M2DGR (Table IV)

限制

  • Absolute translation error on UrbanNav was higher than LIO-SAM on all three sequences and higher than FAST-LIO2 on 20210517 (24.73 vs 17.62 m); ATE rotation on 20210518 was 7.46 deg versus about 3 deg for both baselines (Table I)
  • Tunable parameters remain: maximum points per voxel, voxel size, initial state covariance and point observation covariance (Sec. IV-B)
  • Odometry only, without loop closure (Sec. III)
  • LIO-SAM could not be run on Newer College because it needs IMU attitude output (Sec. IV-C)

營建工程相關證據

原論文只在都市車載、校園地面機器人與手持校園資料上評估，未涉及營建場域。在 SubT-MRS（ICCV 2023 SLAM 挑戰 LiDAR 組）中，一個以 LIO-EKF 為基礎的參賽方法在長走廊與多樓層序列的 ATE 分別為 2.99 m 與 5.5 m，隧道序列為 0.22 m （Zhao et al., 2024b）；這些室內退化場景與施工中建物走廊、樓梯相近，顯示僅靠點對點配準加單次 EKF 更新在幾何退化處仍可能產生公尺級誤差（推論）。

原文驗證環境：公開基準、跨場域

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 4 個比較組，合計 85 筆紀錄。

Wu et al., 2024a · Table I 本方法 32 筆

表格設定（擷取紀錄原文）：Default parameters for FAST-LIO2 and LIO-SAM, LIO-SAM loop closure disabled; one LIO-EKF configuration for all data; KITTI relative errors and ATE; LIO-SAM not run on Newer College (needs IMU attitude) (Wu et al., 2024a, Table I)

Avg. tra. (KITTI relative translation error)，UrbanNav · 20210517

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 Wu et al., 2024a 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, Hong Kong

資料來源作者報告值(Wu et al., 2024a, Table I)

數值與出處
方法（原文寫法）報告值出處
FAST-LIO24.11%(Wu et al., 2024a, Table I)
LIO-SAM3.18%(Wu et al., 2024a, Table I)
LIO-EKF本方法原文提出3.2%(Wu et al., 2024a, Table I)

Wu et al., 2024a · Table IV 本方法 32 筆

表格設定（擷取紀錄原文）：Ablation: fixed correspondence thresholds (0.3 m, 1 m), KISS-ICP adaptive threshold, and the proposed threshold; KITTI relative errors (Wu et al., 2024a, Table IV)

Avg. tra.，UrbanNav · 20210518

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 Wu et al., 2024a 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, Hong Kong

資料來源作者報告值(Wu et al., 2024a, Table IV)

數值與出處
方法（原文寫法）報告值出處
LIO-EKF with fixed threshold 0.3 m本方法2.23%(Wu et al., 2024a, Table IV)
LIO-EKF with fixed threshold 1 m本方法2.18%(Wu et al., 2024a, Table IV)
LIO-EKF with KISS-ICP adaptive threshold本方法2.24%(Wu et al., 2024a, Table IV)
LIO-EKF with proposed adaptive threshold本方法原文提出2.2%(Wu et al., 2024a, Table IV)

Wu et al., 2024a · Table III 本方法 18 筆

表格設定（擷取紀錄原文）：Ablation: LIO-EKF update with 1 (EKF), 10 or 100 iterations (IEKF); KITTI relative errors and processing time (Wu et al., 2024a, Table III)

Avg. tra.，M2DGR · street 05

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 Wu et al., 2024a 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：campus streets, wheeled robot

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

數值與出處
方法（原文寫法）報告值出處
LIO-EKF (1 iteration)本方法原文提出硬體：Intel i7-10700 2.90 GHz, 32 GB RAM2.64%(Wu et al., 2024a, Table III)
LIO-EKF (10 iterations)本方法硬體：Intel i7-10700 2.90 GHz, 32 GB RAM2.61%(Wu et al., 2024a, Table III)
LIO-EKF (100 iterations)本方法硬體：Intel i7-10700 2.90 GHz, 32 GB RAM2.61%(Wu et al., 2024a, Table III)

Wu et al., 2024a · Table II 本方法 3 筆

指標average processing time

表格設定（擷取紀錄原文）：Average processing time of the scan correction step, averaged over sequences of each dataset (Wu et al., 2024a, Table II)

average processing time，UrbanNav · all sequences (average)

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 Wu et al., 2024a 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：不適用；單位：ms；場景：urban driving, Hong Kong

資料來源作者報告值(Wu et al., 2024a, Table II)

數值與出處
方法（原文寫法）報告值出處
LIO-SAM硬體：Intel i7-10700 2.90 GHz, 32 GB RAM41.68 ms(Wu et al., 2024a, Table II)
FAST-LIO2硬體：Intel i7-10700 2.90 GHz, 32 GB RAM24.03 ms(Wu et al., 2024a, Table II)
LIO-EKF本方法原文提出硬體：Intel i7-10700 2.90 GHz, 32 GB RAM12.37 ms(Wu et al., 2024a, Table II)

來源

  • Wu et al., 2024a

    Yibin Wu, Tiziano Guadagnino, Louis Wiesmann, Lasse Klingbeil, Cyrill Stachniss, Heiner Kuhlmann（2024）LIO-EKF: High Frequency LiDAR-Inertial Odometry using Extended Kalman Filters2024 IEEE International Conference on Robotics and Automation (ICRA), pp. 13741-13747

    DOI 10.1109/icra57147.2024.10610667arXiv 2311.09887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/YibinWu/LIO-EKF（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