MULLS
MULLS 不依賴掃描線或距離影像，直接把每幀點雲分類為地面、立面、屋頂、柱、梁與頂點等幾何特徵點，因而可用於不同線數與配置的 LiDAR。前端以「多度量線性最小平方」ICP 在各類別內同時最小化點到點、點到面與點到線距離，並以殘差、方向平衡與強度一致性加權；後端以子地圖為單位，透過 TEASER 全域配準與 MULLS-ICP 精修建立迴圈邊，再做階層式位姿圖最佳化。
本頁內容
MULLS classifies points into ground/facade/roof/pillar/beam/vertex classes without scan-line assumptions, registers them with a weighted multi-metric linear least-squares ICP, and closes loops between submaps via TEASER plus hierarchical pose-graph optimization.
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 (seven types: Velodyne HDL-64E, VLP-32C, HDL-32E; Hesai Pandar QT Lite, XT, 64, 128); no IMU required |
|---|---|
| 原文測試平台 | vehicle (KITTI)、backpack (MIMAP)、原文未報告 (HESAI dataset platform) |
| 狀態估計 | multi-metric linear least-squares ICP (small-angle linearization, Gauss-Markov estimation) with residual, direction-balance and intensity weights; hierarchical inter-/inner-submap pose-graph optimization (Sec. III-C, III-E) |
| 資料關聯 | ring/range-image independent classification into ground, facade, roof, pillar, beam and vertex points (dual-threshold ground filter + PCA); category-constrained nearest neighbors with point-to-point, point-to-plane and point-to-line metrics (Sec. III-B, III-C) |
| 時間表示 | discrete frame poses |
| 去畸變 | optional uniform-motion correction with slerp when point-wise timestamps are available and no IMU (Sec. III-A) |
| 迴圈閉合 | submap-to-submap global registration with TEASER using neighborhood-category-context (NCC) features, refined by MULLS-ICP; edges rejected by posterior std. and overlap thresholds (Sec. III-E) |
| 全域最佳化 | hierarchical pose graph: inter-submap then inner-submap (Sec. III-E, Fig. 6) |
| 地圖表示 | local map of static classified feature points cropped to a radius; periodically stored submaps (Sec. III-D, III-E) |
| 先驗資訊 | none |
| 可輸出幾何 | point cloud map and trajectory; compared with a TLS point cloud on MIMAP (Sec. IV-B1, Fig. 9) |
| 計算需求 | Intel i7-7700HQ CPU; about 0.08-0.10 s per frame on KITTI; transformation estimation about 0.2 ms per ICP iteration (Table II, Table V) |
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 | Velodyne HDL-64E | 資料集感測器 | KITTI odometry | written 'HDL64E' in Table I; 22 sequences, more than 43k scans | (Pan et al., 2021, Sec. IV-A, Table I) |
| LiDAR | Velodyne VLP32C歸入：Velodyne VLP-32C | 資料集感測器 | ISPRS MIMAP | on a backpack mapping system; 3 sequences, 35k frames with HDL32E, indoor | (Pan et al., 2021, Sec. IV-B1, Table I) |
| LiDAR | Velodyne HDL32E歸入：Velodyne HDL-32E | 資料集感測器 | ISPRS MIMAP | on a backpack mapping system; indoor 5-floor building | (Pan et al., 2021, Sec. IV-B1, Table I) |
| LiDAR | Hesai Pandar128 | 資料集感測器 | HESAI | mechanical LiDAR | (Pan et al., 2021, Sec. IV-B2, Table I) |
| LiDAR | Hesai Pandar64 | 資料集感測器 | HESAI | mechanical LiDAR | (Pan et al., 2021, Sec. IV-B2, Table I) |
| LiDAR | Hesai PandarXT | 資料集感測器 | HESAI | mechanical LiDAR | (Pan et al., 2021, Sec. IV-B2, Table I) |
| LiDAR | Hesai PandarQT Lite | 資料集感測器 | HESAI | mechanical LiDAR | (Pan et al., 2021, Sec. IV-B2, Table I) |
| 地面雷射掃描儀（TLS） | Rigel VZ-1000 | 參考或真值量測 | ISPRS MIMAP | high accuracy TLS point cloud of floors 1 and 2 used as map ground truth | (Pan et al., 2021, Sec. IV-B1, Fig. 9) |
| GNSS 接收器 | KITTI GNSS-INS ground truth (model not stated) | 參考或真值量測 | KITTI odometry | ground truth poses for seq. 00-10 | (Pan et al., 2021, Sec. IV-A) |
| 載具平台 | Backpack mapping system (model not stated) | 資料集感測器 | ISPRS MIMAP | carries VLP32C and HDL32E | (Pan et al., 2021, Sec. IV-B1) |
| 運算硬體 | Intel Core i7-7700HQ | 執行運算平台 | 未標示 | 2.80 GHz; all experiments | (Pan et al., 2021, Sec. IV) |
作者報告的優勢與限制
優勢
- KITTI 00-10 mean 0.49% and 0.16 deg per 100 m for MULLS-LO (best ATE in Table II) and 0.65% and 0.19 deg per 100 m on the online test set 11-21 (runner-up)
- MULLS-SLAM with loop closure has the best ARE, 0.13 deg per 100 m, but slightly worse ATE (Table II, Sec. IV-A)
- with a single scan-to-map iteration MULLS already ranks 5th, supporting a speed and accuracy trade-off (Sec. IV-A)
- MIMAP 5-floor building: mean nearest-neighbor distance 6.7 cm between the MULLS map and a TLS (written 'Rigel VZ-1000') point cloud of floors 1-2 (Sec. IV-B1, Fig. 9)
- worked across seven lidar types indoors and outdoors (Table I, Fig. 10)
- transformation estimation 0.2 ms per ICP iteration with about 2k source and 20k target points, 80 ms per frame in total (Table V)
限制
- May encounter problems in tunnels where structured features are rare (Sec. IV-C, Table III discussion)
- loop-heavy sequences sometimes exceed 100 ms per frame (Sec. IV-D)
- HESAI results are qualitative only (no ground truth) (Sec. IV-B2)
- ground filtering needs a known initial orientation when the LiDAR is not mounted horizontally (Sec. III-B1)
- vertex point-to-point correspondences reduced odometry accuracy, so vertices are used only as keypoints for global registration (Sec. IV-C, Table III)
- KITTI ATE and ARE, measured within 800 m, do not reflect the global gain of loop closure (Sec. IV-A)
營建工程相關證據
MULLS 在 ISPRS MIMAP 背包資料（五層樓既有建築）中，以 TLS 點雲為參考評估地圖品質，平均最近鄰距離 6.7 cm（Sec. IV-B1）；此為既有建築而非施工中工地，且度量為雲對雲最近鄰距離，對齊方式未在所讀內容中說明。其立面、柱、梁等分類與建築構件語意相近（推論），但未做工程任務驗證。
原文驗證環境：公開基準、已完工建築、獨立參考量測、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 30 個比較組，合計 226 筆紀錄。以下列出本方法紀錄最多的 4 組，其餘 26 組列在最後，並連到性能比較頁。
Pan et al., 2021 · Table II 本方法 42 筆
表格設定（擷取紀錄原文）：KITTI odometry ATE [%] and ARE [deg/100m], averaged over 100-800 m segments; baseline values from original papers and KITTI leaderboard; * = with loop closure; time in s per frame (Pan et al., 2021, Table II)
ATE [%] (average translation error)，KITTI odometry · 00-10 mean
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。
按 Tab 進入圖表後，用上下方向鍵逐一瀏覽各類別，Esc 關閉提示框；也可開啟表格檢視閱讀全部數值。
這些是 Pan et al., 2021 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。
資料來源作者報告值(Pan et al., 2021, Table II)
| 方法（原文寫法） | 報告值 | 出處 |
|---|---|---|
| LOAM [10] | 0.84% | (Pan et al., 2021, Table II) |
| IMLS-SLAM [11] | 0.52% | (Pan et al., 2021, Table II) |
| MC2SLAM [13] | 0.52% | (Pan et al., 2021, Table II) |
| S4-SLAM [26]* | 0.92% | (Pan et al., 2021, Table II) |
| PSF-LO [27] | 0.74% | (Pan et al., 2021, Table II) |
| SUMA++ [16]* | 0.7% | (Pan et al., 2021, Table II) |
| LiTAMIN2 [51]* | 0.85% | (Pan et al., 2021, Table II) |
| LO-Net [18] | 0.83% | (Pan et al., 2021, Table II) |
| FALO [25] | 1% | (Pan et al., 2021, Table II) |
| LoDoNet [28] | 1.27% | (Pan et al., 2021, Table II) |
| MULLS-LO(mc)本方法原文提出 | 0.49% | (Pan et al., 2021, Table II) |
| MULLS-SLAM(mc)*本方法原文提出 | 0.52% | (Pan et al., 2021, Table II) |
| MULLS-LO(s1)本方法原文提出 | 2.57% | (Pan et al., 2021, Table II) |
| MULLS-SLAM(m1)*本方法原文提出 | 0.77% | (Pan et al., 2021, Table II) |
| MULLS-SLAM(m5)*本方法原文提出 | 0.6% | (Pan et al., 2021, Table II) |
| MULLS-SLAM(s5m5)*本方法原文提出 | 0.61% | (Pan et al., 2021, Table II) |
Dellenbach et al., 2022 · Table I 本方法 36 筆
表格設定（擷取紀錄原文）：KITTI RTE (%) averaged over segments of 100 to 800 m, Driving profile; AVG over all segments of all sequences; one parameter set per method for all driving datasets; scans are raw (not motion-corrected) except KITTI-corrected; per-sequence KITTI-corrected values omitted for row cap (Dellenbach et al., 2022, Table I)
Relative Translation Error (RTE)，KITTI-corrected (motion-corrected odometry benchmark scans) · AVG
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。
按 Tab 進入圖表後，用上下方向鍵逐一瀏覽各類別，Esc 關閉提示框；也可開啟表格檢視閱讀全部數值。
這些是 Dellenbach et al., 2022 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。
資料來源作者報告值(Dellenbach et al., 2022, Table I)
| 方法（原文寫法） | 報告值 | 出處 |
|---|---|---|
| IMLS-SLAM [15] | 0.55% | (Dellenbach et al., 2022, Table I (Driving)) |
| MULLS [4]本方法 | 0.55% | (Dellenbach et al., 2022, Table I (Driving)) |
| pyLiDAR F2M [33] | 0.53% | (Dellenbach et al., 2022, Table I (Driving)) |
| CT-ICP (ours)原文提出 | 0.53% | (Dellenbach et al., 2022, Table I (Driving)) |
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。
按 Tab 進入圖表後，用上下方向鍵逐一瀏覽各類別，Esc 關閉提示框；也可開啟表格檢視閱讀全部數值。
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。
資料來源作者報告值(Ferrari et al., 2024, Table II)
| 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 | 2.06% | (Ferrari et al., 2024, Table II) |
| F-LOAM | 1.36% | (Ferrari et al., 2024, Table II) |
| MULLS本方法 | 2% | (Ferrari et al., 2024, Table II) |
| CT-ICP | 1.12% | (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。
按 Tab 進入圖表後，用上下方向鍵逐一瀏覽各類別，Esc 關閉提示框；也可開啟表格檢視閱讀全部數值。
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。
資料來源作者報告值(Vizzo et al., 2023, Table III)
| 方法（原文寫法） | 報告值 | 出處 |
|---|---|---|
| MULLS [21]本方法 | 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)原文提出 | 2.28% | (Vizzo et al., 2023, Table III) |
其他比較組
列出其餘 26 個比較組
- Yuan et al., 2022 · Table II
- Liu et al., 2023b · Table II
- Liu et al., 2023b · Table V
- Guadagnino et al., 2025a · Table III
- Pan et al., 2024 · Table VII
- Guadagnino et al., 2025a · Table IV
- Guadagnino et al., 2025a · Table V
- Lee et al., 2025a · Table II
- Vizzo et al., 2023 · Table II
- Guadagnino et al., 2025a · Table II
- Pan et al., 2021 · Table V
- Pan et al., 2025 · Table III
- Vizzo et al., 2023 · Table IV
- Blanco-Claraco, 2025 · Table 3
- Lee et al., 2025a · Table I
- Lee et al., 2025a · Table III
- Vizzo et al., 2023 · Table V
- Pan et al., 2024 · Table IV
- Yuan et al., 2022 · Table III
- Zhang et al., 2024a · Table 8
- Zhang et al., 2024a · Table 9
- Liu et al., 2023a · Supplementary Table VII
- Ghadimzadeh Alamdari et al., 2025 · Table 3
- Guadagnino et al., 2025a · Table I
- Ferrari et al., 2024 · Table III
- Pan et al., 2021 · Text Sec. IV-B1
來源
Pan et al., 2021
（2021）MULLS: Versatile LiDAR SLAM via Multi-metric Linear Least Square2021 IEEE International Conference on Robotics and Automation (ICRA), pp. 11633-11640
DOI 10.1109/icra48506.2021.9561364arXiv 2102.03771程式碼
同儕審查已出版已讀全文近十年
相關版本
- 預印本：arXiv 2102.03771 (v1 2021-02-07, v3 2021-04-27) https://arxiv.org/abs/2102.03771
- 程式碼釋出：YuePanEdward/MULLS https://github.com/YuePanEdward/MULLS
程式碼：https://github.com/YuePanEdward/MULLS（授權：GPL-3.0 (LICENSE file)）。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。