原文链接：https://mp.weixin.qq.com/s/7NhpDNbqjQovHsskpa51Yw
稀疏点云的挑战
近年来，LiDAR-惯性里程计（LIO）方法极大地提高了同时定位与建图（SLAM）的效率和精度。像FAST-LIO2这样的技术展现出了卓越的性能，使得LiDAR和惯性传感器的融合成为一种广泛应用的里程计方案。
然而，LiDAR SLAM系统中点云的稀疏性带来了挑战。与具有结构化像素网格的图像数据不同，LiDAR点云在三维空间中的不规则和稀疏分布使得提取稳定的关键点和独特的特征变得复杂，这可能导致定位精度的降低。尽管一些方法通过将视觉信息与LiDAR数据融合来解决这些问题，但它们需要额外的传感器、精确的外参标定和时间同步，且在低光照条件下表现不佳。一些研究通过将点云投影到视距图像上来提升性能，如MD-SLAM，它利用从视距图像生成的多线索图像金字塔，编码表面法线和强度信息进行姿态图优化。虽然基于视距图像的方法由于点云旋转与水平图像平移等价，能够对视角变化表现出强鲁棒性，但它们由于球面投影的原因，存在尺度畸变的问题，这限制了定位精度。
BEV表示提供了一种有前景的替代方案，通过将LiDAR点云投影到结构化的二维图像中来进行表示。该方法在回环闭合检测中显示出了很大的潜力，因为BEV能够保持尺度一致性和空间关系，且通过卷积神经网络（CNN）进行鲁棒的特征提取。与视距图像不同，BEV避免了尺度畸变，并且能跨不同LiDAR类型广泛应用，特别适用于全局定位和回环闭合检测。然而，现有的基于BEV的方法主要聚焦于全局任务，如位置识别和回环检测，而在与实时里程计框架的紧密集成方面有所欠缺。这限制了它们充分发挥BEV在LiDAR里程计和其扩展到强鲁棒回环闭合检测中的潜力。
本文介绍的BEV-LIO(LC)[1]是一种利用BEV图像将几何配准与重投影误差最小化紧密结合，并通过BEV图像特征实现鲁棒回环闭合检测的LIO框架（见图1）。
项目链接：https://github.com/HxCa1/BEV-LIO-LC
主要贡献：
- 通过解析雅可比推导将BEV特征重投影误差与几何配准结合，建立了一个紧密耦合的iEKF框架，从而提高了前端里程计的精度。
- 提出了一种回环闭合算法，利用基于KD树索引的关键帧数据库和全局描述符进行高效候选检索。检测到回环闭合后，首先通过BEV图像匹配进行RANSAC粗对齐，然后通过ICP对几何测量进行精细化。优化后的变换被集成到因子图中，与里程计因子一起优化，进一步提高了全局一致性。
- 大量实验结果表明，BEV-LIO(LC)在各种环境和不同类型LiDAR下表现优异，超越了现有的先进方法。
具体方法
BEV-LIO(LC) 基于 FAST-LIO2 中提出的紧密耦合的 iEKF 框架进行构建，用于点到平面配准。尽管 COIN-LIO 在 FAST-LIO2 的基础上通过光度误差最小化进行了扩展，但 BEV-LIO 引入了一种新颖的方法，通过 BEV 图像匹配来实现重投影误差最小化。由于 FAST-LIO2 已被广泛研究，我们将重点介绍 BEV-LIO 和 BEV-LIO-LC 的组件。正如图 2 所示，我们的方法从运动预测和点云去畸变开始，以纠正 LiDAR 测量值。去畸变后的点云随后被投影到 BEV 图像中，通过归一化点密度进行处理。我们采用旋转等变和不变网络（REIN）来从 BEV 图像中提取独特的局部和全局描述符。局部描述符与关键帧进行匹配，用于构建重投影误差，测量当前帧与关键帧之间的对齐度。全局描述符用于回环闭合检测，通过实时构建的关键帧数据库进行查询。最终，重投影残差被集成到 iEKF 框架中，以优化位姿估计。
符号定义
IMU 预测与点云去畸变
BEV 图像投影模型
特征提取与匹配
重投影残差与卡尔曼更新
回环闭合
实验效果
总结一下
BEV-LIO(LC)是一种结合了BEV图像表示的LiDAR数据与几何配准的LIO框架，用于前端里程计，并通过BEV图像特征和因子图优化集成回环闭合到后端。通过结合BEV图像匹配的重投影误差和几何配准，我们的框架通过iEKF紧密耦合这些残差，从而显著提高了里程计的准确性和可靠性。对于回环闭合，后端系统采用基于KD树索引的BEV描述符数据库进行高效检测。检测到回环闭合后，通过RANSAC计算的粗略变换初始化ICP过程，进一步精化变换，最终通过因子图与里程计因子结合，改善定位的全局一致性。大量实验结果验证了BEV-LIO(LC)在不同场景和不同LiDAR类型下的竞争性定位精度，优于现有的先进方法。
未来工作：将集中在消除对CNN特征提取的依赖，以进一步提升系统的实时性能。
参考
[1] BEV-LIO(LC): BEV Image Assisted LiDAR-Inertial Odometry with Loop Closure
发表回复