SLAM 點雲圖鑑Point clouds for construction
M-01 · 2022

NDT-LOAM

NDT-LOAM 把 LOAM 的特徵式前端改成加權的常態分布轉換（NDT）直接配準：每個 NDT 格依量測距離與格內形狀（平面、線狀或立體）給不同權重，並以目前幀對最近關鍵影格配準（Scan2Key）降低逐幀累積誤差。得到的初始位姿再交給沿用 LOAM 建圖模組的局部特徵調整（LFA），以角點與平面點對局部地圖精修。系統只處理前端，沒有迴圈閉合；在 KITTI 上平均平移漂移為 0.899%。

里程計＋局部建圖近十年已讀全文同儕審查已出版LOAM 系列與特徵式 LiDAR 建圖

閱讀版本
IEEE Xplore version of record (HTML full text; tables read from the published table images)
全文取得途徑
國立臺灣大學機構訂閱
本頁內容

LOAM variant whose odometry front end is a range- and planarity-weighted NDT registered scan-to-keyframe, followed by LOAM-style local feature adjustment against a local map; front end only, 0.899% average KITTI drift at about 10 Hz.

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 (Velodyne HDL-64E in KITTI; horizontal Velodyne VLP-16 on the Kylin backpack)
原文測試平台vehicle (KITTI)、backpack (Kylin)
狀態估計two stages: direct odometry by weighted NDT solved with Newton's method and line search against a keyframe (Scan2Key), then local feature adjustment (LFA) that reuses the LOAM mapping module to refine the pose with corner and surface feature residuals against a local map, two iterations (Sec. III)
資料關聯NDT cells (1 m grid in KITTI tests) weighted by point range and by cell dimensionality from covariance eigenvalues (planar 1.25, volumetric 1.0, linear 0.75); LFA corner and surface correspondences searched in a KD-tree built from map cubes intersecting the scan (Sec. III-B; Sec. III-D; Sec. IV-A)
時間表示discrete poses
去畸變not described
迴圈閉合none (loop closure and graph optimization are named as future work) (Sec. III-C; Sec. V)
全域最佳化none
地圖表示LOAM-style corner and surface feature map stored in cubic areas for LFA; keyframe scans (selected by 10 m, 10 deg or 1 s on KITTI; 2 m or 10 deg on the backpack) as NDT targets (Sec. III-C; Sec. III-D; Sec. IV-A; Sec. IV-D)
先驗資訊none
可輸出幾何trajectory and 3D point cloud map (Figs. 5 and 7)
計算需求laptop Intel i7-7700HQ at 2.8 GHz with 8 GB RAM, ROS on Ubuntu 16.04; reported as real time at 10 Hz; per-scan module times on KITTI of 38.0-48.2 ms (NDT odometry), 37.1-42.9 ms (LFA extraction) and 86.9-107.8 ms (LFA mapping) (abstract; Sec. IV; 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
LiDARVelodyne HDL-64E資料集感測器KITTI odometryKITTI recording platform; only the Velodyne data are used(Chen et al., 2022b, Sec. IV; Fig. 2)
LiDARVelodyne VLP-16方法輸入Kylin backpack sequences K1 and K2two lidars on the backpack; only the horizontal one used; 10 Hz(Chen et al., 2022b, Sec. IV; Sec. IV-D)
慣性量測單元（IMU）Xsens-300資料集感測器Kylin backpack sequences K1 and K2on the backpack; use by the method not stated(Chen et al., 2022b, Sec. IV)
GNSS 接收器OXTS RT 3003參考或真值量測KITTI odometryhigh-accuracy GPS/INS localization system providing ground truth(Chen et al., 2022b, Sec. IV; Fig. 2)
雙目相機four stereo camera systems (grayscale and color)資料集感測器KITTI odometryKITTI platform cameras; not used by the method(Chen et al., 2022b, Sec. IV; Fig. 2)
雙目相機Mynak D1000-IR-120 color binocular camera資料集感測器Kylin backpack sequences K1 and K2left camera images at 640 x 480 used in the experiment (their role is not stated)(Chen et al., 2022b, Sec. IV)
載具平台Kylin backpack方法輸入Kylin backpack sequences K1 and K2walked at about 1 m/s; no GPS device(Chen et al., 2022b, Sec. IV; Fig. 2)
運算硬體Intel i7-7700HQ執行運算平台未標示laptop CPU at 2.8 GHz, 8 GB RAM, ROS on Ubuntu 16.04(Chen et al., 2022b, Sec. IV)

作者報告的優勢與限制

優勢

  • Average KITTI 00-10 translational error 0.899% after LFA, versus 1.809% for A-LOAM and 1.27% for F-LOAM, and at the level of the LOAM paper values (Table II)
  • Weighted NDT lowers odometry error by about 12% relative to classic NDT (1.041% to 0.910% with Scan2Key) and Scan2Key roughly halves the error of Scan2Scan (Sec. IV-A)
  • Odometry-only initial pose error 0.910% versus 4.913% for the A-LOAM odometry (Table I)
  • Kylin backpack indoor and indoor-outdoor runs: start-to-end error 0.20 m and 0.25 m versus 7.99 m and 2.60 m for LeGO-LOAM (Table IV)
  • APE RMSE on KITTI 00, 05 and 09 of 3.98, 2.39 and 1.58 m versus 5.98, 2.97 and 2.30 m for LeGO-LOAM with loop closure; the authors describe this as almost 50% better (Table III; Sec. IV-C)

限制

  • No loop closure or back-end optimization (Sec. V)
  • Accuracy is poorer on KITTI 01, 02, 08 and 10 (above 1.0%), attributed to highway speed and few features, calibration of the sensors, ground-truth error at the start of 08 and vibration on rough roads (Sec. IV-C)
  • NDT cell weights (1.25, 1.0, 0.75) were set empirically (Sec. III-B)
  • Backpack evaluation uses only the start-to-end offset because no GPS ground truth was available (Sec. IV-D)
  • LOAM results are copied from its original paper rather than rerun (Sec. IV-C)

營建工程相關證據

論文未在施工現場測試；以 Kylin 背包在室內及室內外混合路線（含上下樓梯）測試，屬既有建築環境，但只以起訖點偏移估計誤差。依距離與平面性為 NDT 格加權的做法，可能有利於樓板與牆面等平面為主的建築場景，這屬推論。

原文驗證環境：公開基準、已完工建築

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 54 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。

Chen et al., 2022b · Table V 本方法 15 筆

表格設定（擷取紀錄原文）：Runtime of modules for processing one scan (ms) on KITTI 04, 06, 07, 09 and backpack K1 (Chen et al., 2022b, Table V)

DLO time per scan (ms)，KITTI odometry · #04

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 Chen et al., 2022b 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：原文未報告；對齊方式：不適用；單位：ms；場景：vehicle, road

數值與出處
方法（原文寫法）報告值出處
NDT-LOAM DLO本方法原文提出硬體：laptop Intel i7-7700HQ 2.8 GHz, 8 GB RAM48.2 ms(Chen et al., 2022b, Table V)

Chen et al., 2022b · Table I 本方法 12 筆

指標position error (%)

表格設定（擷取紀錄原文）：KITTI 00-10, odometry part only (initial pose): A-LOAM feature odometry versus NDT-LOAM weighted NDT with Scan2Key; position error (%) from the KITTI development kit (Chen et al., 2022b, Table I)

position error (%)，KITTI odometry · #00

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 Chen et al., 2022b 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：%；場景：vehicle, road

資料來源作者報告值(Chen et al., 2022b, Table I)

數值與出處
方法（原文寫法）報告值出處
ALOAM (odometry only)4.12%(Chen et al., 2022b, Table I)
NDT-LOAM (odometry only, wNDT + Scan2Key)本方法原文提出0.76%(Chen et al., 2022b, Table I)

Chen et al., 2022b · Table II 本方法 12 筆

指標position error (%)

表格設定（擷取紀錄原文）：KITTI 00-10 after refinement (LFA); position error (%); A-LOAM and NDT-LOAM run at 10 Hz; LOAM values from the original LOAM paper (1 Hz); F-LOAM values from [36] (Chen et al., 2022b, Table II)

position error (%)，KITTI odometry · #00

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 Chen et al., 2022b 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：%；場景：vehicle, road

資料來源作者報告值(Chen et al., 2022b, Table II)

數值與出處
方法（原文寫法）報告值出處
ALOAM0.88%(Chen et al., 2022b, Table II)
FLOAM [36]0.92%(Chen et al., 2022b, Table II)
LOAM (from original paper)0.78%(Chen et al., 2022b, Table II)
NDT-LOAM本方法原文提出0.79%(Chen et al., 2022b, Table II)

Chen et al., 2022b · Table III 本方法 9 筆

表格設定（擷取紀錄原文）：KITTI 00, 05, 09; absolute pose error (m) computed with evo; LeGO-LOAM with loop closure; alignment not stated (Chen et al., 2022b, Table III)

Absolute Pose Error, mean (m)，KITTI odometry · #00

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 Chen et al., 2022b 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：vehicle, road

資料來源作者報告值(Chen et al., 2022b, Table III)

數值與出處
方法（原文寫法）報告值出處
LeGO-LOAM5.16 m(Chen et al., 2022b, Table III)
NDT-LOAM本方法原文提出3.38 m(Chen et al., 2022b, Table III)

其他比較組

列出其餘 2 個比較組

來源

  • Chen et al., 2022b

    Shoubin Chen, Hao Ma, Changhui Jiang, Baoding Zhou, Weixing Xue, Zhenzhong Xiao, Qingquan Li（2022）NDT-LOAM: A Real-Time Lidar Odometry and Mapping With Weighted NDT and LFAIEEE Sensors Journal, 22(4):3660-3671

    DOI 10.1109/jsen.2021.3135055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/BurryChen/lv_slam（授權：not stated (no LICENSE file at the repository root)）。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