点击上方“3D视觉工坊”，选择“星标”
干货第一时间送达
作者丨泡泡机器人
来源丨泡泡机器人SLAM
标题：FAST-LIO2: Fast Direct LiDAR-inertial Odometry
作者：Wei Xu, Yixi Cai, Dongjiao He, Jiarong Lin, Fu Zhang
机构：香港大学张富团队
来源：arXiv 2021
编译：介来拉石
审核: 朱虎
摘要
大家好，今天为大家带来的文章是 FAST-LIO2: Fast Direct LiDAR-inertial Odometry
本文介绍了FAST-LIO2：一种快速、稳健且通用的激光惯性里程计框架。FAST-LIO2建立在高效的紧耦合迭代卡尔曼滤波器的基础上，有两个关键的创新之处，可以实现快速、稳健和准确的激光雷达导航（和建图）。第一个是不提取特征直接将原始点配准到地图（并随后更新地图，即建图），而这使得环境中的细微特征能够被使用，从而提高匹配准确性，且取消提取特征模块能够适应有着不同扫描模式的新兴雷达；第二个新颖之处是通过增量k-d树（ikd-tree）数据结构维护地图。ikd-tree支持增量更新（即点插入删除）和动态平衡。与现有的动态数据结构（八叉树、R*-tree、nanoflann k-d树）相比，ikd-tree实现了优越的整体性能，同时自然地支持在树上的下采样。我们对来自各种开放激光雷达数据集的19个序列进行了详尽的基准比较。FAST-LIO2始终能保持更高的准确度，但是计算负载比其他最先进的激光惯性导航低得多。此外，文章也利用小视场角的固态激光雷达进行了各种真实世界的实验。总体而言，FAST-LIO2计算效率高（例如，在大型室外环境中高达100HZ的里程计和建图）、稳健（例如，在杂乱的室内环境中可靠的姿态估计，旋转速度高达1000度/秒），使用广泛（即，适用于多线程和固态激光雷达、无人机和手持平台，以及基于Intel和ARM的处理器），同时仍能实现比现有方法更高的精度。沃恩在Github上开源了FAST-LIO2和ikd-tree的数据结构算法实现。
主要工作与贡献
1.我们开发增量k-d树数据结构ikd-tree，以有效表示大型密集点云图。除了高效的最近邻搜索，新的数据结构支持增量地图更新（即点插入、树上的下采样，点删除）和最小的计算成本进行动态平衡。这些特性使ikd-tree非常适合应用于激光雷达里程计和建图，实现了100HZ里程计和在计算受限平台的建图，例如基于Intel i7的微型无人机板载计算机和甚至于ARM的处理器。
2. 由于在ikd-tree上计算效率的提高，我们直接将原始点配准到地图上，这使得帧间配准即使是在剧烈的运动和非常混乱的环境中也准确可靠。我们称这种基于原始点的配准方法为直接法，类比于视觉SLAM。去除手动特征提取使系统自然适用于不同的激光雷达传感器。
3. 我们将这两个关键技术整合到我们最近开发的一个完全紧耦合的激光雷达惯性里程计系统FAST-LIO.该系统通过使用IMU的严格反向传播来修正每个点的运动并通过流行迭代卡尔曼滤波器估计系统的全部状态量。为了进一步加速计算，一种新的计算卡尔曼增益的数学等价公式被用于降低计算复杂度的维度（而非测得的量）。新系统被称为FAST-LIO2并且已开源。
4. 我们开展各种实验去评估ikd-tree有效性、直接点配准法和整个系统。在18个不同大小的序列上的实验表明，ikd-tree相对于现有的动态数据结构在激光里程计和地图的应用中实现了卓越的性能。在19个来自不同激光雷达数据集的序列上详尽的基准对比表明FAST-LIO2始终能保持更高的准确度，但具有比其他最先进激光惯性导航系统的计算负载低的多。
算法流程
1.系统概述
FAST-LIO2的状态估计是从FAST-LIO继承的紧耦合迭代卡尔曼滤波器，FAST-LIO2的流程如图1所示，顺序采样的激光雷达原始点首先在10ms（用于100Hz更新）和100ms（用于10Hz更新）之间的时间段内累积。累积的点云称为扫描数据，为了执行状态估计，新扫描中的点云通过紧耦合迭代卡尔曼滤波框架配准到大型局部地图中维护的地图点（即里程计），大型局部地图中的全局地图点由增量k-d树结构ikd树组织。如果当前激光雷达的视场范围穿过地图边界，则距离激光雷达姿态最远的地图区域中的历史点将从ikd树中删除，因此，ikd树以一定长度（本文中称为“地图大小”）跟踪大立方体区域中的所有地图点，并用于在状态估计模块中计算残差。优化姿势最终将新扫描中的点云配准到全局帧，并通过以里程计的速率插入ikd树，将其合并到地图中。
2.状态估计
FAST-LIO2的状态估计继承了FAST-LIO[22]的特点，是一种紧耦合迭代卡尔曼滤波器，并进一步引入了LiDAR-IMU外部参数的在线校准。FAST-LIO2的论文中简要地解释了过滤器的基本公式和工作流程，如果读者需要了解更多，请读者参阅原论文并且结合[22]了解更多细节。
3.建图
在本节中，论文描述了如何增量地维护一个映射(即插入和删除)，并通过ikd-Tree对其执行k-nearest搜索。为了从理论上证明ikdTree的时间效率，且对时间复杂度进行了完整的分析。具体的分析计算和实验过程需要结合论文学习，篇幅较长。
4.实验与结果分析
A. 数据结构评估
增量更新、kNN搜索和总时间的每次扫描点云平均消耗时间的比较
不同tree大小情况下比较
B.数据集实验精度评估
C.大型真实环境中的建图评估
5.总结
本文提出了FAST-LIO2，这是一个直接而鲁棒的LIO框架，大大优于目前最先进的LIO算法，同时在各种数据集中实现了高效率或更好的精度，速度的提高是由于删除了特征提取模块和高效建图，开发并验证了一种新的增量k-d树（ikd-tree）数据结构，该结构支持动态点插入、删除和并行建图，在开放数据集上的大量实验表明，在激光雷达里程计kNN搜索的最新数据结构中，所提出的ikd树可以获得最佳的整体性能。作为建图效率的结果，在快速运动和稀疏场景中，通过在里程计中使用更多的点，精度和鲁棒性也得到了提高。FAST-LIO2的另一个好处是由于去除了特征提取，可适用于不同的激光雷达。
点击阅读原文， 即可获取本文下载链接。
本文仅做学术分享，如有侵权，请联系删文。
干货下载与学习
后台回复：巴塞罗那自治大学课件，即可下载国外大学沉淀数年3D Vison精品课件
后台回复：计算机视觉书籍，即可下载3D视觉领域经典书籍pdf
后台回复：3D视觉课程，即可学习3D视觉领域精品课程
3D视觉精品课程推荐：
2.面向自动驾驶领域的3D点云目标检测全栈学习路线！(单模态+多模态/数据+代码)
3.彻底搞透视觉三维重建：原理剖析、代码讲解、及优化改进
4.国内首个面向工业级实战的点云处理课程
5.激光-视觉-IMU-GPS融合SLAM算法梳理和代码讲解
6.彻底搞懂视觉-惯性SLAM：基于VINS-Fusion正式开课啦
7.彻底搞懂基于LOAM框架的3D激光SLAM: 源码剖析到算法优化
8.彻底剖析室内、室外激光SLAM关键算法原理、代码和实战(cartographer+LOAM +LIO-SAM)
重磅！3DCVer-学术论文写作投稿 交流群已成立
扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。
同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。
一定要备注：研究方向+学校/公司+昵称，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。原创投稿也请联系。
▲长按加微信群或投稿
▲长按关注公众号
3D视觉从入门到精通知识星球：针对3D视觉领域的视频课程（三维重建系列、三维点云系列、结构光系列、手眼标定、相机标定、激光/视觉SLAM、自动驾驶等）、知识点汇总、入门进阶学习路线、最新paper分享、疑问解答五个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近5000星球成员为创造更好的AI世界共同进步，知识星球入口：
学习3D视觉核心技术，扫描查看介绍，3天内无条件退款
圈里有高质量教程资料、答疑解惑、助你高效解决问题
觉得有用，麻烦给个赞和在看~ 