《Sensors》：Machine Learning, Deep Learning, and IoT for Waste Classification and Intelligent Waste Management: A PRISMA-Based Systematic Review
编辑推荐：
可靠的LiDAR惯性里程计（LiDAR-inertial odometry, LIO）对于全球导航卫星系统（GNSS）拒止的室内物流中的无人机（UAV）导航至关重要，然而大多数基准测试针对地面车辆，忽视了空中平台的计算限制。研究人员对六个系统进行了基准测试，涵
可靠的LiDAR惯性里程计（LiDAR-inertial odometry, LIO）对于全球导航卫星系统（GNSS）拒止的室内物流中的无人机（UAV）导航至关重要，然而大多数基准测试针对地面车辆，忽视了空中平台的计算限制。研究人员对六个系统进行了基准测试，涵盖两种模态和三类估计器家族——仅LiDAR（F-LOAM, KISS-ICP）以及紧耦合LiDAR惯性估计中的基于滤波的（FAST-LIO2, Faster-LIO）、基于图优化的（liorf，源自LIO-SAM）和基于几何观测器的（DLIO）——测试数据来自一个运动捕捉实验室和一个运营仓库。研究人员识别并纠正了每扫描延迟指标误导的四种方式；其中一种将系统成本误报了四倍。当相同数据在工作站和车辆计算机上重放时，精度可传递至3毫米以内，而成本则不能：惩罚程度追踪实现将工作分配到线程的程度，并且在被动冷却的目标上，两次轨迹在毫米级一致的会话之间，成本移动可达两倍。工作站上最准确的系统在目标上崩溃，静默丢弃多达三分之二的输入，而延迟、覆盖率和内存均报告正常运行。在两个保持廉价、在预算内且与参考一致的系统之中，Faster-LIO是更便宜的一个；用作车辆的位置源后，它将在全部八次闭环飞行中降低了机载视觉惯性估计器的典型误差。
**研究背景与问题**
仓库和内部物流正越来越多地采用自动化技术，无人机（UAV）被用于库存管理、监控和检查等任务。然而，在室内物流环境中，全球导航卫星系统（GNSS）信号常因遮挡和多路径效应而不可用或不可靠，车辆位姿需要完全由机载传感器估计。LiDAR直接测量距离、不受光照影响，并能捕捉限制漂移的过道和货架几何结构，因此非常适合此类环境；与惯性测量单元（IMU）组合可构成LiDAR惯性里程计（LIO）系统。现有部署常依赖预装标记或先前构建的地图，而一般LiDAR里程计基准主要基于汽车、手持设备和轮式机器人，缺乏在嵌入式硬件上对空中平台的评估，并且经常忽略计算成本。因此，需要一项在真实仓库和无人机嵌入式计算机上对开源LO/LIO系统进行统一评估的研究。
**研究内容与结论**
研究人员在运动捕捉实验室和运营仓库采集了飞行数据，对六个开源系统——仅LiDAR的F-LOAM和KISS-ICP，紧耦合LiDAR惯性估计中的FAST-LIO2、Faster-LIO、liorf（源自LIO-SAM）和DLIO——在工作站和无人机嵌入式计算机上进行了相同数据重放，并进行了闭环飞行验证。结果显示，精度从工作站转移到嵌入式平台时基本保持不变（所有消耗其输入的系统误差变化不超过3毫米），但计算成本无法转移，且惩罚与实现跨线程分配工作的程度相关（变慢1.8至3.9倍），导致成本排序重排。工作站上最准确的KISS-ICP在嵌入式平台上静默丢弃多达三分之二的输入，而延迟、覆盖率和内存指标仍显示正常。Faster-LIO在预算内且与参考一致，用作车辆位置源后，在全部八次闭环飞行中将机载视觉惯性估计器的典型误差降低至约三分之一。
**主要技术方法**
数据集来自两个地点：运动捕捉实验室（Qualisys系统提供参考）和运营仓库（无公制参考，以车载VIO为参考），共五个记录，由RoboSense Airy 96线LiDAR和MANTIS无人机采集，嵌入式计算机为Qualcomm QRB5165（VOXL 2）。所有系统以传感器速率重放，每个系统在工作站重复5次、在嵌入式平台重复3次。测量精度（RMSE）、每扫描端到端延迟、CPU和内存占用，并在目标上采样处理器温度。研究人员开发了延迟测量工具，识别了四种误导方式（结构输入缓冲、无界队列、自身输出吞吐、截断不可见）并加以纠正。所有参数仅在实验室记录上调优，仓库记录未参与调优，用于验证迁移性。此外，Faster-LIO被集成到车辆控制回路，进行了八次闭环飞行。
**研究结果**
*工作站—实验室：* 在实验室，所有系统均保持传感器节奏，消耗99%至100%的输入扫描。轨迹误差在0.031米至0.066米之间，差距小于两倍。KISS-ICP在两个记录中均最准确，且内存最低（62-63 MB）。成本差异显著：两个滤波系统每扫描6-7毫秒，F-LOAM需39-43毫秒，Faster-LIO占用0.38个核心，KISS-ICP占用1.4-1.5个核心。因此帕累托前沿有两个成员：KISS-ICP（最准确、内存最低）和Faster-LIO（CPU最低、精度第三差5毫米以内）。F-LOAM结果可变，在正方形上第二，在取货轨迹上最后。
*工作站—仓库：* 在仓库，五个系统与参考（车载视觉惯性估计）一致，发散度在厘米级。F-LOAM是唯一不迁移的系统：在取货轨迹上发散0.346米，是次高系统的两倍以上，成本也因局部地图增长而上升至58-79毫秒。其余系统之间差异很小，但该站无公制参考，无法排序。
*嵌入式—实验室：* 在嵌入式平台，实验室精度几乎不变：12个数据点中有10个与工作站对应值差距在5%左右。KISS-ICP在正方形上未消耗全部输入，误差增加18%。成本惩罚不均匀，最慢的系统变慢约1.8倍，最快的约3.9倍，取决于线程分配。两台会话相隔九天，轨迹误差再现至1.3毫米，但同一工作的成本变化4%至103%，表明被动冷却设备上成本是会话相关的。
*嵌入式—仓库：* 结合站点迁移和平台效应，工作站排序不再成立。F-LOAM处理每个扫描但无界排队，端到端间隔达6.3秒（取货轨迹），内存增至1.66 GB。KISS-ICP则丢弃33%至50%的输入，因为其接口保留最新消息；其他指标（延迟、覆盖率、内存）均正常，只有输入消耗比例暴露失败。Faster-LIO和DLIO保持廉价、在预算内且与参考一致；在实验室基准上，Faster-LIO精度更高（0.037/0.040米对0.047/0.046米），时间更短（20-30毫秒对30-39毫秒），CPU更低（0.42对0.54核心），DLIO仅在内存上领先（4/5记录）。
*选定系统与机载估计器—重放：* 将Faster-LIO与机载视觉惯性估计器在实验室记录上比较，典型误差降至约三分之一：正方形上从0.103米降至0.037米，取货轨迹从0.102米降至0.040米。最坏情况改进较小（0.227→0.167米，0.237→0.224米）。该比较存在不对称（VIO实时运行，Faster-LIO事后重放），但仍是部署决策所需的比较。
*选定系统与机载估计器—闭环：* 八次闭环飞行中，Faster-LIO作为位置源，误差介于0.054至0.210米，中位0.078米，均低于同时记录的VIO。它保持10 Hz发布，每扫描一个位姿，延迟中位14.9至18.3毫秒。与重放相比，正方形上误差更高（0.081/0.108米对0.037米），但飞行时长和日期不同，无法分离闭环效应。
**讨论与结论**
讨论指出，精度排序很可能随机器保留，只要系统能消耗输入；成本排序则不然，且失败方向有规律：偏向跨线程分布的实现。报告速率时应同时报告产生该速率的输入比例。本研究的局限性包括：两个站点、一个传感器、一个平台；仓库只有无公制参考；重放与实时飞行存在差异；闭环飞行未记录资源；以及会话间成本变化仍未解释。结论总结：本工作评估了六个开源系统，在仓库和实验室数据上重放。精度可转移，成本不可。KISS-ICP丢弃输入而传统指标正常，因此任何报告速率的基准都应报告输入消耗比例。Faster-LIO在预算内且精度高，将机载视觉惯性估计器典型误差降至约三分之一，并在闭环飞行中保持低于该估计器的误差。未来工作包括在仓库进行带资源记录的闭环飞行，以及研究仓库材料对系统的影响。
