动态环境中基于生物启发的感知-记忆耦合的鲁棒LiDAR-惯性里程计

《Biomimetics》：Bio-Inspired Perception–Memory Coupling for Robust LiDAR–Inertial Odometry in Dynamic Environments

　　

摘要翻译：
仿生智能机器人在非结构化动态环境中运行时，其感知系统需要依据观测的可靠性来调节不确定信息，并避免将瞬时扰动转化为持续的空间参考。受可靠性加权多感觉整合和生物导航中基于持久性证据巩固的功能抽象启发，本文提出一种生物启发的可靠性约束LiDAR-惯性里程计框架。每个点对地图观测通过残差一致性、局部几何质量和体素级时间稳定性进行评估。融合后的可靠性得分同时调节ESIKF状态更新和增量地图维护：低置信度观测被持续降权，高可靠性点被纳入持久地图，模糊点保留在短期候选记忆中用于多帧验证，而不可靠点则被拒绝。该框架将生物设计原则转化为工程化的感知-记忆架构，而非复现特定神经回路。在公开数据集和轮式移动机器人平台上的重复实验表明，两个正常序列中的精度相当。在五个动态序列中，完整方法相对Fast-LIO2将定位RMSE降低了14.08%–28.88%，并在所有五个评估动态序列上实现了比Dynamic-LIO更低的平均RMSE。冻结地图评估进一步获得7.77%–15.71%更低的点对地图RMSE，同时具有更高的一致对应比和覆盖率，而参数敏感性研究中最大平均RMSE偏差保持在7.2%以下。最大实测处理时间为每扫描18.69 ms，维持10 Hz LiDAR的实时运行。

论文解读文章

**研究背景与问题**
仿生智能机器人在复杂动态环境中自主导航时，需要感知系统根据观测可靠性调节信息贡献，并防止不确定证据对后续感知产生持续影响。现有定位系统主要依赖多传感器融合，其中LiDAR-惯性里程计（LIO）通过紧耦合LiDAR与IMU实现实时定位，但大多数方法如Fast-LIO2等，隐式假设局部地图和点对地图对应关系可靠。在动态场景中，车辆、行人等移动物体干扰会导致点对平面残差偏差、增量地图污染及后续关联误差的耦合失效链。现有动态抑制方法多集中在显式动态目标检测或二值化去除，未将观测可靠性作为连续信号同时约束状态估计和地图维护。因此，需要一种能够联合调节当前状态更新与长期地图巩固的可靠性感知架构。

**研究内容与结论**
针对上述问题，研究人员提出一种生物启发的可靠性约束LIO框架，将生物学中的可靠性依赖线索整合和阶段性证据管理抽象为工程算法。该框架在Fast-LIO2基础上增加多线索时空可靠性模型和感知-记忆耦合机制。通过残差一致性、局部几何质量和体素级时间稳定性三个互补线索计算逐点可靠性得分，该得分同时控制ESIKF状态更新中的信息权重和增量地图中的观测准入。高可靠性点直接进入持久地图，低可靠性点被拒绝，中等可靠性点暂存于短期候选缓冲区，经多帧验证后巩固为持久地图元素。在公开数据集（M2DGR、UrbanNav）及自采动态数据上的重复实验表明，完整方法在两个正常序列中精度略有提升（RMSE降低0.80%和4.08%），在五个动态序列中相对Fast-LIO2平均降低RMSE 22.11%，并优于Dynamic-LIO。冻结地图评估显示地图RMSE降低7.77%–15.71%，一致对应比和覆盖度提高。参数敏感性分析中最大平均RMSE偏差低于7.2%，运行时最大处理时间18.69 ms，满足10 Hz实时需求。研究意义在于将可靠性感知与记忆巩固联合建模，为动态环境下LiDAR-惯性定位提供了不依赖语义标签的鲁棒方案。

**关键技术方法**
研究人员采用以下主要技术方法：
（1）多线索可靠性估计：基于残差中值绝对偏差（MAD）计算柯西型残差一致性；利用邻域点云协方差特征值评估局部几何质量；维护体素级残差方差表征时间稳定性。三种证据通过乘积t-范数融合为保守的软与操作。
（2）可靠性门控状态更新：将可靠性得分的平方根缩放观测雅可比和残差，等效于增大低可靠观测的测量协方差，实现连续降权。
（3）三层次地图记忆维护：设定双阈值将观测分为直接接纳、短期候选和拒绝；候选点需满足两次扫描观测一致且平均可靠性超过0.5方被提升至持久地图。
样本队列来源包括M2DGR数据集（street_03、street_05）、UrbanNav数据集（Medium-Urban-1、Deep-Urban-1、Tunnel-1、Harsh-Urban-1）以及自采的哈尔滨马家沟城市交通序列。

**实验结果**
**代表性定位结果**：在正常场景（M2DGR street_03）中，三种配置轨迹接近，完整方法RMSE为0.3454±0.0051 m，相对Fast-LIO2降低0.80%；在street_05上降低4.08%，验证了可靠性机制对静态场景无副作用。在中等动态场景（Medium-Urban-1）中，完整方法RMSE为0.5063±0.0094 m，相对Fast-LIO2降低14.08%；在高度动态场景（Tunnel-1）中RMSE降低25.24%；在自采马家沟序列中降低24.34%。轨迹和误差曲线显示，可靠性加权抑制瞬时误差，地图记忆调节进一步减少后期误差累积。
**与Dynamic-LIO对比**：在五个动态序列上，完整方法平均RMSE均低于Dynamic-LIO，改进幅度为4.76%–14.85%，Wilcoxon符号秩检验p=0.031，表明跨序列一致性改进。
**消融分析**：在Medium-Urban-1、Tunnel-1和Majiagou上，仅+Reliability将RMSE分别降低7.43%、6.83%和10.41%，而+Reliability+Map进一步将降低幅度提升至14.08%、25.24%和24.34%，证明了感知调节与地图约束的互补作用。
**持久地图质量**：在冻结地图实验中，完整方法相对Fast-LIO2将地图RMSE降低7.77%（Medium-Urban-1）、12.83%（Tunnel-1）和15.71%（Majiagou），P95残差同步降低，CCR@0.20提升5.13–8.92个百分点，覆盖率提升2.42–3.92个百分点，表明选择性地图接纳产生了更一致且更具可用性的持久地图。
**超参数敏感性**：对κr、σg、σt2、Δτ的扰动实验中，最大平均RMSE偏差为7.19%（σt2在Majiagou上），且κr=3.0时RMSE略低于标称值，证明方法不依赖尖锐调参。
**计算效率**：完整方法在三个数据集上平均每扫描处理时间16.57–18.69 ms，相对Fast-LIO2增加27.93%–47.94%，但仍远低于10 Hz LiDAR的100 ms帧间隔，保持实时性。

**讨论与结论**
讨论指出，动态干扰通过当前状态更新和增量地图污染两条耦合路径传播，仅抑制当前帧异常不足以阻止长期误差积累。所提出的感知-记忆耦合通过共享的可靠性得分，实现了对瞬时影响和延迟传播的双重抑制。研究结论部分总结：本文提出功能上生物启发的感知-记忆耦合框架，将残差一致性、几何质量和时间稳定性整合为逐点可靠性，同时调节ESIKF更新和地图准入。重复实验证明该方法在动态场景中显著降低定位RMSE，提高地图一致性，且无需语义标签和训练数据，维持实时运行。该框架是工程抽象而非生物神经模型的精确复现，未来将探索自适应可靠性校准、有限候选记忆遗忘及语义、运动一致性等互补证据。