面向仓库环境嵌入式无人机部署的LiDAR与LiDAR-惯性里程计算法基准测试

《Sensors》：Benchmarking LiDAR and LiDAR-Inertial Odometry Algorithms for Embedded UAV Deployment in Warehouse Environments

　　

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。本研究对六种跨越两种模态和三种估计器家族的开放源代码系统——包括纯LiDAR里程计（LiDAR-only：F-LOAM，KISS-ICP）以及紧耦合LiDAR-惯性估计中的基于滤波器的（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）——在来自运动捕捉实验室和一个运营仓库的飞行数据上进行了基准测试。研究人员识别并纠正了逐帧延迟指标可能产生误导的四种方式；其中一种方式将一个系统的成本误报了四倍。当相同的数据在工作站和飞行器计算机上回放时，精度差异在3毫米以内，而成本则不然：代价惩罚取决于实现将工作分布的程度，并且在被动冷却的目标平台上，在两个轨迹误差在毫米级一致的实验会话之间，该惩罚的变化幅度可达两倍。工作站上最精确的系统在目标平台上崩溃，静默地丢弃了多达三分之二的输入数据，同时延迟、覆盖率和内存仍报告正常运作。在保持低成本、预算内且与参考值一致的两个系统中，Faster-LIO更为廉价；将其用作飞行器的位姿源后，在所有八次闭环飞行中，它将机载视觉-惯性估计器的典型误差降低了约三分之一。

研究背景与现存问题

仓库和内部物流作业正越来越多地采用自动化技术以提高效率、降低成本和改善安全性。自主无人机（UAV）在库存管理、监控和巡检等任务中具有吸引力。然而，在室内物流环境中部署无人机面临定位挑战：全球导航卫星系统（GNSS）信号通常因遮挡和多径效应而不可靠，因此需要完全依赖机载传感器估计飞行器位姿。激光雷达（LiDAR）测距直接测量距离、不受光照影响，并能捕获约束漂移估计的通道和货架几何结构，特别适合此类环境。将LiDAR与惯性测量单元（IMU）配对，可形成LiDAR-惯性里程计（LIO）系统。现有研究表明，演示的仓库无人机部署通常依赖预先安装的标记或前期手动飞行建立的地图来约束漂移，这留下了未经辅助的LiDAR里程计是否足够的问题。此外，现有的LiDAR里程计评估数据大多由汽车、手持设备和轮式机器人采集，缺乏在重复性货架通道这一关键条件下的测试。更重要的是，这些比较通常只评估位姿估计的精度，而忽略了计算成本（如处理一帧扫描的时间及处理器和内存占用）。即便少数研究报告了成本，也往往是在桌面级工作站上进行的，其排名能否迁移到计算受限的嵌入式目标平台上尚属未知。因此，本研究的核心动机是填补这一空白：在一个真实的、计算受限的无人机嵌入式平台上，系统性地评估多种开放源代码的LiDAR里程计（LO）和LIO系统，同时考虑精度和计算成本。

研究内容、结论与意义

研究人员在运动捕捉实验室和运营仓库两个场景下采集了飞行数据，对六种系统进行了基准测试。这些系统包括两种纯LiDAR方法（F-LOAM，KISS-ICP）和四种紧耦合LIO方法，分别代表滤波器家族（FAST-LIO2，Faster-LIO）、图优化家族（liorf，源自LIO-SAM）和几何观测器家族（DLIO）。研究首先在工作站上进行评估，然后在无人机自身的嵌入式计算机（ModalAI VOXL 2）上重复相同的评估。结果表明，精度可以从工作站可靠地迁移到嵌入式计算机，只要系统足够快以消费所有输入数据；然而，计算成本的排名无法迁移，并且这种失败是有方向的：它偏向于那些将工作分布在多线程上的实现，而这些实现在核心数减少时损失最大。在被动冷却的嵌入式设备上，一个系统的成本在不同实验会话间变化显著，而精度却高度可重复。研究中发现了一种关键的失效模式：KISS-ICP在嵌入式平台的仓库数据上会静默丢弃一半到三分之二的输入扫描，而延迟、覆盖率和内存指标均显示正常，只有“输入消费比例”这一指标才能揭示此问题。最终，Faster-LIO被选为最佳系统，它在两台机器和两个站点上都保持了低成本、预算内且与参考一致。在实验室中，Faster-LIO的典型轨迹误差约为机载视觉惯性里程计（VIO）的三分之一。在八次闭环飞行中，Faster-LIO作为飞行器的位姿源，其误差始终低于同次飞行中记录的VIO估计值。这项研究的意义在于：它为在计算受限的无人机平台上选择和评估LiDAR/LIO系统提供了严谨的方法论和实证依据，强调了不能仅依赖桌面端排名，必须考虑实际部署硬件上的计算成本及其变异性，并指出了仅报告速率而不报告输入消费比例的误导性。

关键技术方法

1. 1.
   基准测试流程设计：研究人员设计了一个统一的基准测试管道（benchmark pipeline），将同一飞行记录在两种计算环境（工作站和无人机嵌入式计算机）上以传感器采集速率进行回放，确保配置和测量工具完全一致，从而隔离硬件差异。
2. 2.
   精度测量方法：利用运动捕捉（motion capture）系统提供厘米级的参考真值（ground truth）。通过刚性对齐（rigid alignment）和原点对齐（origin alignment）两种方式计算轨迹误差，并报告相对位姿误差（relative pose error, RPE）以评估漂移。
3. 3.
   计算成本测量方法：通过一个独立的记录进程订阅进入系统的点云和离开系统的位姿，并在单一单调时钟上打时间戳，以此测量端到端的每帧延迟（per-scan latency）。同时，以2 Hz的频率采样系统子进程的处理器和内存占用。研究还开发了修正机制，以消除结构性输入缓冲、无界队列增长、基于自身输出的吞吐量评分以及截断运行等四种误导性因素。
4. 4.
   系统配置与调优协议：首先对所有系统的输入范围（minimum and maximum range）进行均一化处理，然后在实验室录制数据上对每个系统的一个关键结构参数进行网格搜索（grid search），以找到最优配置。仓库录制数据被严格留出，不参与任何参数调整，用于验证系统的泛化能力。
5. 5.
   执行协议与质量控制：每次录制都通过所有六个系统依次回放，以确保共享相同的机器状态。每次运行需满足四个接受标准：估计覆盖时长至少达到回放时长的95%、消费的输入扫描比例至少达到95%、延迟累积率稳定、以及进程表中无残留节点。不符合任一标准的运行结果被排除。

研究结果

4.1 桌面端——实验室

在工作站上，所有六个系统都能跟上传感器节奏，消费了99%-100%的输入扫描。精度方面，各系统差距小于两倍，轨迹误差（RMSE）均在0.031 m至0.066 m之间。最精确的系统是无惯性数据的KISS-ICP，同时也是内存消耗最低的（62-63 MB）。成本方面差异显著：两个基于滤波器的系统完成一帧扫描仅需6-7毫秒，而F-LOAM需要39-43毫秒。帕累托前沿有两个成员：KISS-ICP（最精确且内存最低）和Faster-LIO（CPU成本最低，精度第三）。

4.2 桌面端——仓库

所有六个系统仍能跟上传感器节奏。五个系统之间的分歧（divergence）在厘米级以内，与参考值的固有不确定性相当。F-LOAM是唯一未能迁移的系统，其在拣选轨迹上的分歧达到0.346 m，是次高者的两倍以上，且其成本从实验室的39-43毫秒上升到58-79毫秒，原因是地图不断增长导致k-d树重建耗时增加。

4.3 嵌入式——实验室

精度基本不变地迁移到了嵌入式平台，十个实验室数据点的精度与工作站相比变化在5%以内。成本则未能迁移，且惩罚不均匀：单线程工作的系统惩罚最小，多线程分布工作的系统惩罚最大（例如，F-LOAM慢约1.8倍，liorf慢2.7倍，两个滤波器系统慢约3.9倍）。更重要的是，成本在不同实验会话间变化巨大（最高达103%），而精度变化极小（最高1.3毫米），表明在此平台上，精度可重复而成本不可重复。KISS-ICP在较热的会话中未能满足100毫秒的预算，消费了80%的输入而非99%。

4.4 嵌入式——仓库

这是工作站排名失效的地方。四个系统继续运行，两个系统以相反的方式失败。F-LOAM处理所有扫描但无界队列增长，端到端延迟达到6.3秒，内存增长到1.66 GB。KISS-ICP则静默丢弃输入，在拣选轨迹上仅消费了33%的扫描，在矩形轨迹上消费了47%，而延迟、覆盖率和内存指标均显示正常。KISS-ICP的估计随之崩溃，其与参考值的分歧从工作站的0.146 m飙升到0.945 m。最终，Faster-LIO和DLIO是两个在双平台、双站点都保持低成本、预算内且与参考一致的系统。其中，Faster-LIO在实验室更精确（0.037 m vs. 0.047 m），在目标板上成本更低（20-30毫秒/帧 vs. 30-39毫秒，0.42核 vs. 0.54核），而DLIO在内存方面领先。

4.5 选定系统 vs. 机载估计器——回放

将Faster-LIO与无人机原有的视觉惯性里程计（VIO）进行比较。在实验室数据上回放时，Faster-LIO的典型误差降至VIO的大约三分之一（从0.103 m降至0.037 m），但最坏情况误差下降较少（从0.227 m降至0.167 m）。

4.6 选定系统 vs. 机载估计器——闭环

在八次闭环飞行中，Faster-LIO作为位姿源，所有飞行均顺利完成。其误差介于0.054 m和0.210 m之间，中位数为0.078 m，且在每一次飞行中都低于同次飞行的VIO估计值。系统在所有飞行中都与传感器保持同步，发布频率为10.0 Hz，中位数延迟在14.9至18.3毫秒之间。

讨论与结论

讨论部分总结：

研究结果清晰地分为两类：一类是随机器改变而变化的量，另一类是不变的量。精度排名（只要系统能消费完所有输入）很可能从工作站迁移到嵌入式目标。而成本排名则不会，并且其失败方向已知：它偏向于多线程的实现，这些实现在核心数减少时损失最大。在被动冷却设备上，单个成本数字描述的是一个实验会话而非一个系统。任何报告速率（如每秒位姿数）的评估都应同时报告产生该速率的输入比例，否则一个丢弃大部分输入的系统可能显得最快。

结论部分翻译：

在两项选择中，有两个系统是廉价的、在预算内且与双平台双站点的参考值一致。在这两个系统中，Faster-LIO在实验室更精确，在目标板上时间和处理器成本更低，而DLIO仅在内存方面领先，在五次录制的四次中如此。Faster-LIO将飞行器原有估计器的典型误差降低到大约三分之一，消耗0.4到0.6个核心，这在拥有四个可用核心且飞行服务占用近两个核心的计算机上是可行的。当作为飞行器的位姿源飞行时，它跟上了传感器，并且在所有八次飞行中误差都低于那个估计器。最接近部署场景的通道遍历记录没有参考真值，因此本研究只能确定哪些系统跟得上以及它们的成本是多少，而不能确定哪个系统是正确的。