SLAM 點雲圖鑑Point clouds for construction
M-01 · 2021

RF-LIO

RF-LIO 以 LIO-SAM 為基礎，處理大量移動物體時「先要準確位姿才能移除動態點、但動態點又破壞配準」的循環問題。新關鍵影格到達時先不做掃描配準，而是以 IMU 預積分取得初始位姿，並依預測的平移與旋轉誤差決定距離影像的角解析度；將目前掃描與周邊特徵子地圖投影成同解析度距離影像，依可見性差異移除子地圖中的動態點，再做 LOAM 特徵配準。若以邊緣點距離計算的收斂分數未達門檻，就以新解析度重複移除與配準；收斂並完成圖最佳化後，再以細解析度移除目前關鍵影格殘留的動態點。

具全域修正的完整 SLAM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 v1 (2022-06-19; only version, posted after IROS 2021); IEEE version of record not read
全文取得途徑
arXiv 預印本
本頁內容

LIO-SAM-based LIO for highly dynamic scenes that removes moving points before scan matching: the IMU-predicted pose error sets the resolution of scan and submap range images, visibility differences flag dynamic points, and removal and LOAM-feature matching are repeated at new resolutions until an edge-distance convergence score is met.

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 at 10 Hz (model not named)、IMU at 400 Hz (model not named)
原文測試平台原文未報告 (self-collected Urban, Campus and Suburban datasets and UrbanLoco CA sequences; carrier not described in the paper)
狀態估計LIO-SAM factor graph in GTSAM (IMU preintegration, LiDAR odometry and loop closure factors) with an added removal-first loop: IMU prior, dynamic-point removal, scan matching, convergence check and repeated removal at a new resolution (Sec. III-A, IV-A)
資料關聯LOAM edge and planar features with nearest-neighbour point-to-line and point-to-plane distances to a feature submap, after removing submap points flagged as dynamic (Sec. III-E)
時間表示discrete keyframes with IMU preintegration (Sec. III-B)
去畸變IMU-based motion compensation of each scan as in LIO-SAM (Sec. III-A, Fig. 2)
迴圈閉合yes; same loop detection as LIO-SAM (Sec. IV-A)
全域最佳化factor-graph optimization with GTSAM as in LIO-SAM (Sec. IV-A)
地圖表示keyframe-based edge and planar feature map from which moving points are removed; global point map without ghost tracks (Fig. 5)
先驗資訊none
可輸出幾何trajectory and a static point cloud map with moving-object points removed
計算需求per-scan runtime of RF-LIO (FA) 61 to 121 ms on an Intel i7-10700K CPU; below 100 ms on low and medium dynamic data except Suburban (112 ms) (Table VI, Sec. IV-A)

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 (model not stated)方法輸入未標示LiDAR scans at 10 Hz (Fig. 2)(Qian et al., 2021, Fig. 2; Sec. IV-A)
慣性量測單元（IMU）IMU (model not stated)方法輸入未標示IMU data at 400 Hz (Fig. 2)(Qian et al., 2021, Fig. 2; Sec. III-B; Sec. IV-A)
GNSS 接收器GPS (receiver model not stated)參考或真值量測self-collected Urban, Campus, Suburban and UrbanLocoused only as ground truth(Qian et al., 2021, Sec. IV-A)
運算硬體Intel i7-10700k (as written)歸入：Intel i7-10700k執行運算平台未標示ROS on Ubuntu Linux(Qian et al., 2021, Sec. IV-A; Table VI)

作者報告的優勢與限制

優勢

  • Average moving-point removal rate of 96.1% relative to LIO-SAM maps on three self-collected datasets (Table III)
  • On UrbanLoco high-dynamic sequences, ATE RMSE 15.89 and 12.17 m versus 62.43 and 36.98 m for LIO-SAM and 203.78 and 175.69 m for LOAM (Table V)
  • Removal-first variants also improved ATE on low and medium dynamic data, e.g. Urban 6.46 m versus 10.21 m for LIO-SAM (Table IV)
  • Removal before matching reduced per-scan runtime compared with removal after matching (Table VI)
  • No training data or semantic labels required (Sec. V)

限制

  • In very open scenes without far points behind moving objects, the visibility test cannot remove moving points (Sec. V)
  • Not suitable when moving objects fully block the sensor field of view (Sec. V)
  • Points close to the ground (below 0.5 m) and returns from beams parallel to the ground are not removed (Sec. IV-C)
  • Runtime exceeds the 100 ms LiDAR period on Suburban and CARussianHill (112 and 121 ms) (Table VI)
  • Ground truth is GPS only; the removal rate is measured relative to LIO-SAM's residual moving points rather than labelled ground truth (Sec. IV-A, IV-C)

營建工程相關證據

論文未在營建場域評估；自建 Urban 資料的路線雖經過施工區，但未單獨分析（Sec. IV-D）。其先移除動態點再配準的做法，概念上可對應工地上移動的工人、車輛與機具造成的重影與配準偏差，對需要靜態點雲地圖的施工記錄有參考價值；但在開闊或被大型機具遮擋視野的工地，作者指出的兩項限制可能直接出現（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 38 筆紀錄。

Qian et al., 2021 · Table VI 本方法 15 筆

指標runtime for processing one scan

表格設定（擷取紀錄原文）：Runtime of RF-LIO variants for processing one scan (Qian et al., 2021, Table VI)

runtime for processing one scan，self-collected datasets and UrbanLoco · Urban

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 Qian 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。

統計量：原文未報告；對齊方式：不適用；單位：ms；場景：per scan

資料來源作者報告值(Qian et al., 2021, Table VI)

數值與出處
方法（原文寫法）報告值出處
RF-LIO (After)本方法硬體：Intel i7-10700K86 ms(Qian et al., 2021, Table VI)
RF-LIO (First)本方法原文提出硬體：Intel i7-10700K55 ms(Qian et al., 2021, Table VI)
RF-LIO (FA)本方法原文提出硬體：Intel i7-10700K61 ms(Qian et al., 2021, Table VI)

Qian et al., 2021 · Table IV 本方法 9 筆

指標absolute trajectory RMSE

表格設定（擷取紀錄原文）：Low and medium dynamic self-collected datasets; LiDAR and IMU only, GPS as ground truth; RF-LIO and LIO-SAM share feature extraction and loop closure (Qian et al., 2021, Table IV)

absolute trajectory RMSE，self-collected datasets · Urban (6390.33 m, low dynamic)

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 Qian 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。

統計量：均方根誤差（RMSE）；對齊方式：原文未報告；單位：m；場景：outdoor urban, campus and suburban routes

資料來源作者報告值(Qian et al., 2021, Table IV)

數值與出處
方法（原文寫法）報告值出處
LOAM244.19 m(Qian et al., 2021, Table IV)
LIO-SAM10.21 m(Qian et al., 2021, Table IV)
RF-LIO (After)本方法10.79 m(Qian et al., 2021, Table IV)
RF-LIO (First)本方法原文提出7.72 m(Qian et al., 2021, Table IV)
RF-LIO (FA)本方法原文提出6.46 m(Qian et al., 2021, Table IV)

Qian et al., 2021 · Table III 本方法 8 筆

表格設定（擷取紀錄原文）：Residual moving-object points counted in the maps of LIO-SAM and RF-LIO (same feature extraction); removal rate relative to LIO-SAM (Qian et al., 2021, Table III)

residual moving object points in map，self-collected datasets · Urban

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 Qian 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。

統計量：原文未報告；對齊方式：不適用；單位：points；場景：urban terrain incl. residential area, overpass and construction area

資料來源作者報告值(Qian et al., 2021, Table III)

數值與出處
方法（原文寫法）報告值出處
LIO-SAM85890 points(Qian et al., 2021, Table III)
RF-LIO本方法原文提出1803 points(Qian et al., 2021, Table III)

Qian et al., 2021 · Table V 本方法 6 筆

指標absolute trajectory RMSE

表格設定（擷取紀錄原文）：High dynamic UrbanLoco sequences with many moving objects; LiDAR and IMU only, GPS as ground truth (Qian et al., 2021, Table V)

absolute trajectory RMSE，UrbanLoco · CAMarketStreet (5690.98 m)

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 Qian 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。

統計量：均方根誤差（RMSE）；對齊方式：原文未報告；單位：m；場景：highly urbanized streets with many moving objects

資料來源作者報告值(Qian et al., 2021, Table V)

數值與出處
方法（原文寫法）報告值出處
LOAM203.78 m(Qian et al., 2021, Table V)
LIO-SAM62.43 m(Qian et al., 2021, Table V)
RF-LIO (After)本方法23.98 m(Qian et al., 2021, Table V)
RF-LIO (First)本方法原文提出15.83 m(Qian et al., 2021, Table V)
RF-LIO (FA)本方法原文提出15.89 m(Qian et al., 2021, Table V)

來源

  • Qian et al., 2021

    Chenglong Qian, Zhaohong Xiang, Zhuoran Wu, Hongbin Sun（2021）RF-LIO: Removal-First Tightly-coupled Lidar Inertial Odometry in High Dynamic Environments2021 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), pp. 4421-4428

    DOI 10.1109/iros51168.2021.9636624arXiv 2206.09463

    同儕審查已出版已讀全文近十年查證後修正

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