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

LONER

LONER 以點到平面 ICP（以單位矩陣為初始猜測，不使用 IMU）追蹤降採樣至 5 Hz 的 LiDAR 掃描，並在平行執行緒中以關鍵影格視窗（目前關鍵影格加上 7 個隨機選取的過去關鍵影格）聯合最佳化 MLP 與階層特徵格網地圖及關鍵影格位姿。其 JS 散度動態邊界損失依每條射線目前的學習程度調整目標分布寬度：尚未學好的區域用較大邊界以加快收斂，已學好的區域用較小邊界以保留細節。網格只在離線時以虛擬 LiDAR 與 marching cubes 產生；評估時將網格取樣為點雲、降採樣，並把真值裁切至感測器實際觀測範圍。

里程計＋局部建圖近十年已讀全文同儕審查已出版學習式、神經隱式與高斯潑濺 SLAM

閱讀版本
arXiv v3 (2024-03-23), accepted manuscript marked 'IEEE RA-L preprint version, accepted October 2023'; IEEE version of record not read
全文取得途徑
arXiv 預印本
本頁內容

Real-time LiDAR-only SLAM with ICP tracking and a neural implicit map trained with an information-theoretic dynamic-margin loss.

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
原文測試平台handheld、legged
狀態估計point-to-plane ICP tracking (identity initial guess, no IMU) + joint optimization of MLP map and keyframe poses in a window
資料關聯point-to-plane ICP for tracking; depth-supervised neural rendering with a JS-divergence dynamic-margin loss for mapping
時間表示discrete poses
去畸變constant-velocity motion compensation between scans (Sec. III-B)
迴圈閉合none reported
全域最佳化none
地圖表示MLP with the hierarchical feature-grid encoding of ref. [26] (Instant-NGP multiresolution hash encoding) predicting volume density only, no colour (Sec. III-C)
先驗資訊none
可輸出幾何mesh generated offline by virtual LiDAR rays + marching cubes (not part of online training)
計算需求AMD Ryzen 5950X CPU + NVIDIA A6000 GPU; tracking about 14 ms per step at the 5 Hz decimated scan rate; mapping 50 iterations per KeyFrame (one KeyFrame every 3 s) taking 2.79 s on average, about 56 ms per iteration or about 18 Hz map updates (Sec. IV-E)

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
LiDARLiDAR (model not named)方法輸入Fusion Portable; Newer Collegeonly input sensor; scans decimated to 5 Hz; no IMU used (ICP starts from the identity)(Isaacson et al., 2023, Abstract; Sec. III-A, III-B; Sec. IV-C)
相機monochrome fisheye cameras (model not named)資料集感測器Newer Collegereason NICE-SLAM could not be run on Newer College(Isaacson et al., 2023, Sec. IV-C)
雙目相機stereo camera (model not named)資料集感測器Fusion Portableused offline with RAFT optical flow to simulate RGB-D input for the NICE-SLAM baseline(Isaacson et al., 2023, Sec. IV-C)
載具平台quadruped (model not named)資料集感測器Fusion Portablecarried the sensors for MCR Slow 01, a small indoor lab scene(Isaacson et al., 2023, Sec. IV-C)
載具平台handheld platform (not named)資料集感測器Fusion PortableCanteen Day and Garden Day, medium-scale semi-outdoor courtyards(Isaacson et al., 2023, Sec. IV-C)
運算硬體AMD Ryzen 5950X執行運算平台未標示CPU(Isaacson et al., 2023, Sec. IV-E)
運算硬體NVidia A6000執行運算平台未標示GPU(Isaacson et al., 2023, Sec. IV-E)

論文圖片

只收錄原文以開放授權（open license）釋出的圖片，並依授權條件標示出處、圖號、授權與修改方式。

  • Fusion Portable 庭院場景的 LONER 網格重建與估計軌跡（紅線），周圍為訓練軌跡以外新視角渲染的深度影像

    Fig. 1Fusion Portable 庭院場景的 LONER 網格重建與估計軌跡（紅線），周圍為訓練軌跡以外新視角渲染的深度影像

    出處：Isaacson et al., 2023，Fig. 1。授權：CC BY 4.0。原始圖檔。修改：縮小至寬度不超過 1400 px，並轉存為 WebP 格式。

  • 系統總覽：掃描降採樣後以 ICP 追蹤、分割天空、選取關鍵影格，並以新損失同時更新位姿與 MLP，地圖可離線渲染為深度影像或網格

    Fig. 2系統總覽：掃描降採樣後以 ICP 追蹤、分割天空、選取關鍵影格，並以新損失同時更新位姿與 MLP，地圖可離線渲染為深度影像或網格

    出處：Isaacson et al., 2023，Fig. 2。授權：CC BY 4.0。原始圖檔。修改：縮小至寬度不超過 1400 px，並轉存為 WebP 格式。

  • 四個序列上 NICE-SLAM、SHINE、LONER 各損失版本的網格重建比較

    Fig. 5四個序列上 NICE-SLAM、SHINE、LONER 各損失版本的網格重建比較

    出處：Isaacson et al., 2023，Fig. 5。授權：CC BY 4.0。原始圖檔。修改：轉存為 WebP 格式。

  • 以不同損失訓練的 MLP 所渲染的深度影像，比較補洞能力與幾何細節

    Fig. 6以不同損失訓練的 MLP 所渲染的深度影像，比較補洞能力與幾何細節

    出處：Isaacson et al., 2023，Fig. 6。授權：CC BY 4.0。原始圖檔。修改：縮小至寬度不超過 1400 px，並轉存為 WebP 格式。

作者報告的優勢與限制

優勢

  • Lower RMS APE than LeGO-LOAM on MCR, Canteen and Garden (0.029, 0.064, 0.056 m vs 0.052, 0.129, 0.161 m); on Newer College Quad LeGO-LOAM is 4 mm better (0.126 vs 0.130 m) (Table II)
  • Best completion on MCR and Canteen and best recall at 0.1 m on Canteen, Garden and Quad among the compared methods (Table III)
  • JS dynamic-margin loss converged faster than LOS and depth losses on a single simulated CARLA scan (Fig. 4), and the full loss gave the lowest or tied-lowest APE and L1 depth on every sequence in the loss ablation (Garden APE tied at 0.056 m with the LOS plus dynamic-margin row) (Table V)
  • Real-time operation: tracking 14 ms per step and each KeyFrame processed within its 3 s budget (Sec. IV-E)

限制

  • No IMU; rapid rotation and feature-sparse scenes are future work (Sec. V)
  • Dynamic objects not handled (Sec. V)
  • City-scale operation not yet addressed (Sec. V)
  • Sky segmentation heuristic assumes the LiDAR is approximately level at initialization (Sec. III-E3)
  • SHINE Mapping, run with ground-truth poses, had better map accuracy on MCR and Quad and better completion on Garden and Quad than LONER (Table III)
  • Accuracy and precision were not reported for Canteen and Garden ('-', invalid configuration), so map quality there rests on completion and recall only (Table III)
  • Map metrics use voxel-downsampled clouds (5 cm, 1 cm for MCR) against ground truth cropped to observed geometry, so unobserved areas do not count against completeness (Sec. IV-D2)

營建工程相關證據

論文未在營建場域測試；資料為 Fusion Portable（四足實驗室、手持校園庭院）與 Newer College Quad。

原文驗證環境：公開基準、模擬

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 24 筆紀錄。

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

表格設定（擷取紀錄原文）：Map accuracy and completion (m, mean nearest-point distances) and precision and recall at a 0.1 m threshold; meshes from each method sampled to point clouds, all clouds voxel-downsampled to 5 cm (1 cm for MCR), ground truth cropped to geometry observed by the sensor. SHINE Mapping used ground-truth poses. '-' = invalid configuration (accuracy and precision are '-' for every method on Canteen and Garden; NICE-SLAM '-' on Quad), x = failed (NICE-SLAM on Canteen and Garden, all metrics). (Isaacson et al., 2023, Table III)

Accuracy (mean distance estimated to ground truth)，Fusion Portable · MCR Slow 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。

這些是 Isaacson 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：m；場景：indoor lab, quadruped

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

數值與出處
方法（原文寫法）報告值出處
NICE-SLAM0.621 m(Isaacson et al., 2023, Table III)
SHINE (ground-truth poses)0.164 m(Isaacson et al., 2023, Table III)
LONER w./ L_CLONeR0.11 m(Isaacson et al., 2023, Table III)
LONER w./ L_URF0.153 m(Isaacson et al., 2023, Table III)
LONER本方法原文提出0.186 m(Isaacson et al., 2023, Table III)

Isaacson et al., 2023 · Table II 本方法 4 筆

指標RMS APE (t_APE)

表格設定（擷取紀錄原文）：RMS APE (m), median of 5 runs per method; trajectories aligned following Zhang and Scaramuzza [30] with evo (alignment type not stated); x = failed; '-' = not run (NICE-SLAM needs RGB-D and Newer College has monochrome fisheye cameras). NICE-SLAM ran offline on RGB-D simulated from stereo with RAFT, 350 iterations per KeyFrame; it succeeded on MCR in 4 of 5 runs. (Isaacson et al., 2023, Table II)

RMS APE (t_APE)，Fusion Portable · MCR Slow 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。

這些是 Isaacson 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：indoor lab, quadruped

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

數值與出處
方法（原文寫法）報告值出處
LeGO-LOAM0.052 m(Isaacson et al., 2023, Table II)
NICE-SLAM0.248 m(Isaacson et al., 2023, Table II)
LONER w./ L_URF0.047 m(Isaacson et al., 2023, Table II)
LONER w./ L_CLONeR0.034 m(Isaacson et al., 2023, Table II)
LONER本方法原文提出0.029 m(Isaacson et al., 2023, Table II)

Isaacson et al., 2023 · Text Sec.IV-E 本方法 4 筆

資料集與序列原文未報告 · 原文未報告 (Sec. IV-E does not name the sequence used for timing)

表格設定（擷取紀錄原文）：Runtime of LONER in real-time configuration (scans decimated to 5 Hz, one KeyFrame every 3 s, 50 iterations per KeyFrame). (Isaacson et al., 2023, Text Sec.IV-E)

average time per tracking step，原文未報告 · 原文未報告 (Sec. IV-E does not name the sequence used for timing)

這張表在此指標與資料序列只列出本方法一筆，沒有可並列的其他方法，因此不畫圖，數值與出處見下表。這是 Isaacson et al., 2023 在此表設定下報告的數值（author-reported results），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

數值與出處
方法（原文寫法）報告值出處
LONER本方法原文提出硬體：AMD Ryzen 5950X CPU + NVIDIA A6000 GPU14 ms(Isaacson et al., 2023, Sec. IV-E)

來源

  • Isaacson et al., 2023

    Seth Isaacson, Pou-Chun Kung, Mani Ramanagopal, Ram Vasudevan, Katherine A. Skinner（2023）LONER: LiDAR Only Neural Representations for Real-Time SLAMIEEE Robotics and Automation Letters, 8(12), 8042-8049

    DOI 10.1109/lra.2023.3324521arXiv 2309.04937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/umautobots/LONER（授權：CC BY-NC-SA 4.0）。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