FAST-LIVO2：快速、直接的激光雷达-惯性-视觉里程计技术

《IEEE Transactions on Robotics》：FAST-LIVO2: Fast, Direct LiDAR–Inertial–Visual Odometry

LiDAR-惯性-视觉里程计框架FAST-LIVO2通过误差状态迭代卡尔曼滤波器整合多源数据，采用直接方法实现LiDAR点云与视觉图像的体素图融合，提升三维重建精度与实时性，应用于无人机导航、空中测绘和3D建模，代码及数据已开源。

　　

摘要：

本文介绍了FAST-LIVO2，这是一个快速且直接的LiDAR-惯性-视觉里程计框架，专为SLAM任务中的精确和鲁棒状态估计而设计，能够支持机器人的实时应用。FAST-LIVO2通过高效的误差状态迭代卡尔曼滤波器（ESIKF）整合了IMU、LiDAR和图像数据。为了解决LiDAR和图像测量之间的维度不匹配问题，我们采用了顺序更新策略。通过使用直接的方法进行LiDAR和视觉数据融合，进一步提高了效率：LiDAR模块直接记录原始点而无需提取特征，而视觉模块在无需特征提取的情况下最小化光度误差。LiDAR和视觉测量结果被融合到一个统一的体素图中。LiDAR模块构建几何结构，而视觉模块将图像块与LiDAR点关联起来，从而实现精确的图像对齐。来自LiDAR点的平面先验提高了对齐精度，并在过程中动态优化。此外，按需进行的光线投射操作和实时图像曝光估计增强了系统的鲁棒性。在基准数据集和自定义数据集上的大量实验表明，FAST-LIVO2在精度、鲁棒性和效率方面均优于现有的系统。关键模块已经过验证，我们展示了三个应用案例：无人机导航（突出实时能力）、机载测绘（展示高精度）以及3D模型渲染（基于网格和NeRF的方法），证明了其在密集测绘中的适用性。代码和数据集已在GitHub上开源，以造福机器人技术领域。

引言

近年来，同时定位与地图构建（SLAM）技术¹

（https://github.com/hku-mars/FAST-LIVO2）取得了显著进展，尤其是在未知环境中的实时3D重建和定位方面。由于SLAM能够实时估计姿态并重建地图，它已成为各种机器人导航任务不可或缺的工具。定位过程为机器人的 onboard 控制器提供了关键的状态反馈，而密集的3D地图则提供了重要的环境信息，如空闲空间和障碍物，这对于有效的路径规划至关重要。彩色地图还承载了丰富的语义信息，能够生动地呈现现实世界，为虚拟现实、增强现实、3D建模和人机交互等应用提供了广阔的潜力。