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

X-ICP

X-ICP 針對 LiDAR 在幾何資訊不足環境（隧道、開放平面、狹窄走廊）中 ICP 沿弱約束方向發散的問題，先利用掃描與地圖的對應，分析各最佳化主方向的對齊強度，細緻判定可定位性（localizability）。再將此分析整合進掃描對地圖的點對平面 ICP，以約束最佳化控制或凍結退化方向的位姿更新。作者以 ANYmal 足式機器人在地下礦坑、營建工地與城市公園實測，並以 Leica RTC360 地面掃描作為礦坑與公園的參考地圖。

配準元件近十年已讀全文同儕審查已出版點雲配準元件

閱讀版本
arXiv 2211.16335v4 (18 Feb 2024), accepted version of IEEE T-RO vol. 40, 2024, 20 pages; T-RO version of record not compared
全文取得途徑
arXiv 預印本
本頁內容

X-ICP detects fine-grained LiDAR localizability from scan-to-map correspondences and constrains point-to-plane ICP updates along degenerate directions; tested on a legged robot in a mine, a construction site and a park.

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 (Velodyne VLP-16; Ouster OS0-128)、IMU、leg joint encoders (leg odometry prior)
原文測試平台legged、simulation
狀態估計scan-to-map point-to-plane ICP with localizability-driven constrained optimization (Lagrange multipliers) that fixes or limits updates along degenerate directions (abstract, Sec. VI)
資料關聯scan-to-map correspondences analysed against principal optimization directions for fine-grained localizability (abstract)
時間表示discrete poses
去畸變point cloud motion compensation done at the LiDAR driver level with the leg-odometry pose estimates in the transformation tree; the pose prior is used to transform and undistort the input cloud
迴圈閉合none
全域最佳化none
地圖表示point cloud map in a libpointmatcher-based registration framework (Sec. VII-A)
先驗資訊leg odometry prior (IMU + joint encoders) as initial guess (Sec. VII-A)
可輸出幾何pose updates; resulting point cloud maps compared with TLS reference maps (Sec. VII)
計算需求mapping pipeline runs at 5 Hz (Sec. IV); single-threaded scan-to-map registration on the Rumlang data takes 32.19 (10.7) ms with X-ICP on an Intel i7-9750H laptop, stated to be equivalent to the robot computer, and 12.65 (3.51) ms on an Intel i9-13900K, vs 20.05 (2.21) ms and 11.1 (1.45) ms for the baseline without localizability awareness, whose statistics cover only the first 150 s of the run (Table V); localizability overhead per ICP iteration shown only as a plot (Fig. 20)

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 VLP-16方法輸入未標示16-beam (sparse) LiDAR on ANYmal-C; used in all field experiments(Tuna et al., 2024, Sec. VII-A, VII-G3)
LiDAROuster OS0-128方法輸入Seemuhle mine repeat runmuch higher point density and larger FoV than VLP-16; 128-beam (dense) LiDAR(Tuna et al., 2024, Sec. VII-D2, VII-G3)
地面雷射掃描儀（TLS）Leica RTC 360歸入：Leica RTC360參考或真值量測Seemuhle mine and Opfikon City Park ground-truth maps原文未報告(Tuna et al., 2024, Sec. VII-D, VII-F, Fig. 6-c)
慣性量測單元（IMU）inertial measurement unit (IMU)方法輸入未標示原文未報告(Tuna et al., 2024, Sec. VII-A)
輪式或腿式里程計joint encoders方法輸入未標示used with the IMU by ANYmal's leg odometry module (ref. [69]) to provide the registration prior(Tuna et al., 2024, Sec. VII-A)
載具平台ANYmal-C方法輸入未標示legged robot(Tuna et al., 2024, Sec. VII-A, Fig. 6)
運算硬體Intel i7-9750H執行運算平台未標示laptop CPU equivalent to the one on the robot; single-threaded timing(Tuna et al., 2024, Sec. VII-A, Table V)
運算硬體Intel i9-13900K執行運算平台未標示desktop-class CPU; single-threaded timing(Tuna et al., 2024, Sec. VII-G3, Table V)

作者報告的優勢與限制

優勢

  • accurate localizability detection and robust pose estimation without environment-specific parameter tuning, with the same kappa_1 = 250, kappa_2 = 180, kappa_3 = 35 for all environments and sensors (abstract, Sec. V-C)
  • Seemuhle VLP-16 run: APE translation 2.05 (1.23) m with first-15 m alignment vs 3.36 (1.74) m for Zhang et al. and 5.79 (5.26) m for Hinduja et al., last-position error 0.27 m vs 6.37 m and 24.17 m (Table I)
  • RPE per 10 m 0.17 m vs 0.20 m and 0.26 m (Table II)
  • partial localizability improves translation over the binary variant Xs-ICP, last-position error 0.27 m vs 5.34 m (Tables III to IV)
  • consistent map at the Rumlang construction site where the eigenvalue-threshold baseline performed poorly (Sec. VII-E)

限制

  • sensitive to initial-guess quality like related methods, and with a truly bad prior the registration cannot be solved reliably (Sec. VI-B, VIII)
  • the filtering parameter kappa_f must be re-adjusted per LiDAR (cos 80 deg for VLP-16, cos 60 deg for OS0-128) (Sec. V-B), and the authors plan to improve the sensor-dependent selection of kappa_1 with point-wise confidence weights (Sec. VIII)
  • no ground-truth map or quantitative error is reported for the Rumlang construction-site run, which is judged from map appearance (Sec. VII-E)
  • baselines were re-implemented by the authors, and the Zhang et al. eigenvalue threshold was 120 in all experiments except Opfikon, where it was tuned to 200 (Sec. VII-B, VII-F)
  • even X-ICP shows about 2 m mean APE over the 521.8 m mine run (Table I
  • reviewer observation)
  • code release not verified (project website only)

營建工程相關證據

作者實測：瑞士 Rumlang 大型營建工地 153 m 路線（開放平面、原地旋轉），以地圖一致性定性比較；Seemuhle 地下礦坑隧道段以 TLS 參考地圖量化。屬單一研究、單一工地，不可推廣為一般工地性能。

原文驗證環境：模擬、施工中工地、地下或隧道、獨立參考量測

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 12 個比較組，合計 65 筆紀錄。以下列出本方法紀錄最多的 4 組，其餘 8 組列在最後，並連到性能比較頁。

Tuna et al., 2024 · Table III 本方法 18 筆

資料集與序列Seemuhle underground mine (authors' data) · VLP-16 run; first 15 m alignment

表格設定（擷取紀錄原文，這些數值分屬表中不同部分）：(Tuna et al., 2024, Table III)

  • Ablation, Seemuhle VLP-16 APE (same protocol as Table I); Xs-ICP drops the partial-localizability category and categorizes only in the first ICP iteration
  • Same setting as other Table III rows

APE Translation mu(sigma) [m]，Seemuhle underground mine (authors' data) · VLP-16 run; first 15 m alignment

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 Tuna 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：m；場景：underground mine tunnel

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

數值與出處
方法（原文寫法）報告值出處
X-ICP (Proposed)本方法原文提出2.05 m(Tuna et al., 2024, Table III)
Xs-ICP (Proposed)本方法原文提出2.29 m(Tuna et al., 2024, Table III)

Tuna et al., 2024 · Table I 本方法 9 筆

資料集與序列Seemuhle underground mine (authors' data) · VLP-16 run; first 15 m alignment

表格設定（擷取紀錄原文，這些數值分屬表中不同部分）：(Tuna et al., 2024, Table I)

  • Seemuhle underground mine, ANYmal with VLP-16, 521.8 m; APE via EVO against Leica RTC 360 ground truth, mu (sigma); 'first 15 m' = trajectory aligned on the first 15 m (about 200 poses), 'origin' = aligned at the first pose; plus last-position error
  • Same setting as other Table I rows

APE Translation mu(sigma) [m]，Seemuhle underground mine (authors' data) · VLP-16 run; first 15 m alignment

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 Tuna 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：m；場景：underground mine tunnel

資料來源作者報告值(Tuna et al., 2024, Table I)

數值與出處
方法（原文寫法）報告值出處
X-ICP (Proposed)本方法原文提出2.05 m(Tuna et al., 2024, Table I)
Zhang et al. [12]3.36 m(Tuna et al., 2024, Table I)
Hinduja et al. [17]5.79 m(Tuna et al., 2024, Table I)

Tuna et al., 2024 · Table IV 本方法 8 筆

資料集與序列Seemuhle underground mine (authors' data) · VLP-16 run

表格設定（擷取紀錄原文，這些數值分屬表中不同部分）：(Tuna et al., 2024, Table IV)

  • Ablation, RPE per 10 m traversed distance, Seemuhle VLP-16, mu (sigma)
  • Same setting as other Table IV rows

RPE Translation mu(sigma) [m] per 10 m，Seemuhle underground mine (authors' data) · VLP-16 run

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 Tuna 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：未對齊；單位：m；場景：underground mine tunnel

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

數值與出處
方法（原文寫法）報告值出處
X-ICP (Proposed)本方法原文提出0.17 m(Tuna et al., 2024, Table IV)
Xs-ICP (Proposed)本方法原文提出0.19 m(Tuna et al., 2024, Table IV)

Tuna et al., 2024 · Table V 本方法 8 筆

資料集與序列Rumlang construction site (authors' data) · 153 m run

表格設定（擷取紀錄原文，這些數值分屬表中不同部分）：(Tuna et al., 2024, Table V)

  • Scan-to-map registration time per scan on the Rumlang construction-site data, single-threaded, mu (sigma); baseline statistics computed only until 150 s into the run to avoid the degenerate part
  • Same setting as other Table V rows

scan-to-map registration time mu (sigma) [ms]，Rumlang construction site (authors' data) · 153 m run

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 Tuna 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：未對齊；單位：ms；場景：construction site, open planar area

資料來源作者報告值(Tuna et al., 2024, Table V)

數值與出處
方法（原文寫法）報告值出處
X-ICP（Intel i9-13900K, single thread）本方法原文提出12.65 ms(Tuna et al., 2024, Table V)
X-ICP（Intel i7-9750H, single thread）本方法原文提出32.19 ms(Tuna et al., 2024, Table V)
Xs-ICP（Intel i9-13900K, single thread）本方法原文提出11.14 ms(Tuna et al., 2024, Table V)
Xs-ICP（Intel i7-9750H, single thread）本方法原文提出29.42 ms(Tuna et al., 2024, Table V)

其他比較組

列出其餘 8 個比較組

來源

  • Tuna et al., 2024

    Turcan Tuna, Julian Nubert, Yoshua Nava, Shehryar Khattak, Marco Hutter（2024）X-ICP: Localizability-Aware LiDAR Registration for Robust Localization in Extreme EnvironmentsIEEE Transactions on Robotics, 40:452-471

    DOI 10.1109/tro.2023.3335691arXiv 2211.16335

    同儕審查已出版已讀全文近十年

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