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

MAD-ICP

MAD-ICP 將每次掃描建成以主成分分析（PCA）切分的 kd 樹，葉節點帶有平均位置與法向量，並以點到平面 ICP 對齊關鍵影格 kd 樹組成的局部地圖。局部地圖只在匹配比例低於門檻時更新，且依位姿共變異數的行列式（D-optimality）挑選不確定性最小的幀加入，以避免把雜訊持續注入地圖。作者主張在不同感測器與運動型態下不失敗，並以同一型號 LiDAR 使用同一組參數。

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
IEEE RA-L version of record 9(11):9175-9182 (HTML full text, PDF tables rendered) via NTU institutional access in Chrome, plus arXiv v1 (2405.05828v1) including its supplementary sections; Tables II and III identical across versions
全文取得途徑
國立臺灣大學機構訂閱
本頁內容

Point-to-plane LiDAR odometry over PCA kd-trees whose local map is updated information-aware, adding only the least-uncertain keyframe when scan support drops.

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 (all quantitative evaluation)、RGB-D point clouds shown qualitatively in the supplementary material (arXiv Fig. 10: ETH3D SLAM dataset sequences einstein_1 and sofa_1, dataset cited via the BAD SLAM paper [32])
原文測試平台vehicle、handheld、UAV
狀態估計Gauss-Newton point-to-plane ICP with Huber kernel; pose covariance from the Gauss-Newton system matrix
資料關聯PCA-based kd-tree leaves (mean, normal) of the scan matched to a forest of keyframe kd-trees
時間表示discrete poses
去畸變classic constant motion model for deskewing each scan (Sec. III-D); the velocity smoothed over the last n = 10 poses serves the ICP initial guess, not the deskewing (Sec. III-D)
迴圈閉合none
全域最佳化none
地圖表示forest of keyframe kd-trees; updated only when fewer than 80% of leaves match, adding the candidate frame with minimum covariance determinant (D-optimality)
先驗資訊none
可輸出幾何odometry and keyframe point clouds; export format 原文未報告
計算需求anytime real-time C++ implementation; multi-threaded with one local-map kd-tree per physical core; all experiments on an Intel i9-13900kf CPU with 16 physical cores; runtime shown only as plots in the arXiv supplementary material (Sec. IV; arXiv Sec. VII, Figs. 6-7)

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
LiDARVelodyne HDL-64歸入：Velodyne HDL-64E資料集感測器KITTI原文未報告(Ferrari et al., 2024, Sec. IV-C)
LiDAROuster OS1-64資料集感測器MulRan; Newer College (NC1)原文未報告(Ferrari et al., 2024, Sec. IV-C)
LiDAROuster OS0-128資料集感測器Newer College (NC0)原文未報告(Ferrari et al., 2024, Sec. IV-C)
LiDAROuster OS0-64資料集感測器Hilti 2021sequences acquired with a quadrotor and handheld(Ferrari et al., 2024, Sec. IV-C)
地面雷射掃描儀（TLS）原文未報告參考或真值量測Newer College3D Leica laser scanner (model not stated); high-definition map to which scans are registered for ground truth(Ferrari et al., 2024, Sec. IV-C)
GNSS 接收器原文未報告參考或真值量測KITTI; MulRanRTK-GPS (receiver not stated); ground truth of KITTI and MulRan relies only on RTK-GPS; authors judge it locally inconsistent(Ferrari et al., 2024, Sec. IV-C)
運算硬體i9-13900kf執行運算平台未標示CPU with 16 physical cores, written only as 'CPU i9-13900kf'(Ferrari et al., 2024, Sec. IV)

作者報告的優勢與限制

優勢

  • Authors report it was the only compared method that never failed on any sequence (Sec. I; Sec. IV-C)
  • Highest VBR robustness score (AUC 288.57 versus 275.98 for KISS-ICP) (Table III)
  • Stairs sequence RPE 0.91% where KISS-ICP, MULLS and CT-ICP failed (Table II)
  • Information-aware map update improves accuracy over naive selection on Newer College (average 1.84% versus 1.97%) (Table I)

限制

  • Surface normals unreliable in sparse regions, mitigated by normal propagation from flat parent nodes (Sec. III-A)
  • Revisits degrade to localization against existing keyframes without map update (Sec. III-C) (author-described behaviour)
  • Less accurate than KISS-ICP and CT-ICP on KITTI (average 0.82% versus 0.54% and 0.53%) and than KISS-ICP on MulRan (4.34% versus 3.82%) (Table II)
  • Averages exclude each method's failures, so averages are not computed over the same sequence set (Sec. IV-B)

營建工程相關證據

原文未報告（Table II 將所用 Hilti 2021 兩序列標示為 drone 與 lab，分別以四旋翼與手持方式、Ouster OS0-64 取得；依官方序列頁對應為 RPG Drone Testing Arena 與 Lab，非施工現場序列，此對應屬推論）

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 6 個比較組，合計 36 筆紀錄。以下列出本方法紀錄最多的 4 組，其餘 2 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)本方法原文提出1.16%(Ferrari et al., 2024, Table II)
KISS-ICP2.06%(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)

Ferrari et al., 2024 · Table I 本方法 9 筆

指標RPE [%]

表格設定（擷取紀錄原文）：Ablation of the information-aware local-map update on Newer College OS0 sequences; KITTI-style RPE over 10-80 m segments (Ferrari et al., 2024, Table I)

RPE [%]，Newer College (OS0-128) · catacombs 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 campus, catacombs and stairs

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

數值與出處
方法（原文寫法）報告值出處
Ours (MAD-ICP)本方法原文提出1.16%(Ferrari et al., 2024, Table I)
Ours w/o IA (naive update pushing the last frame)1.31%(Ferrari et al., 2024, Table I)

Lee et al., 2025a · Table II 本方法 4 筆

指標relative translational error [%]

表格設定（擷取紀錄原文）：MulRan urban driving; relative translational error in % (KITTI metric) (Lee et al., 2025a, Table II)

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 Lee et al., 2025a 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(Lee et al., 2025a, Table II)

數值與出處
方法（原文寫法）報告值出處
SuMa [37]5.59%(Lee et al., 2025a, Table II)
MULLS [35]2.94%(Lee et al., 2025a, Table II)
F-LOAM [36]3.43%(Lee et al., 2025a, Table II)
KISS-ICP [5]2.28%(Lee et al., 2025a, Table II)
MAD-ICP [8]本方法2.47%(Lee et al., 2025a, Table II)
Ours (GenZ-ICP)原文提出2.27%(Lee et al., 2025a, Table II)

Lee et al., 2025a · Table I 本方法 2 筆

指標relative translational error [%]

表格設定（擷取紀錄原文）：Newer College; relative translational error in % (KITTI metric); baseline values taken from their papers when available, otherwise tuned by the authors; GenZ-ICP tuned per dataset (Lee et al., 2025a, Table I)

relative translational error [%]，Newer College · short experiment

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 Lee et al., 2025a 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 campus (structured and vegetation)

資料來源作者報告值(Lee et al., 2025a, Table I)

數值與出處
方法（原文寫法）報告值出處
MULLS [35] (SLAM)0.82%(Lee et al., 2025a, Table I)
CT-ICP [6] (SLAM)0.48%(Lee et al., 2025a, Table I)
F-LOAM [36]2.02%(Lee et al., 2025a, Table I)
KISS-ICP [5]0.51%(Lee et al., 2025a, Table I)
MAD-ICP [8]本方法0.86%(Lee et al., 2025a, Table I)
Ours (GenZ-ICP)原文提出0.46%(Lee et al., 2025a, Table I)

其他比較組

列出其餘 2 個比較組

來源

  • Ferrari et al., 2024

    Simone Ferrari, Luca Di Giammarino, Leonardo Brizi, Giorgio Grisetti（2024）MAD-ICP: It is All About Matching Data – Robust and Informed LiDAR OdometryIEEE Robotics and Automation Letters, 9(11):9175-9182

    DOI 10.1109/lra.2024.3456509arXiv 2405.05828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/rvp-group/mad-icp（授權：BSD-3-Clause (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