实时定位与地图构建 (SLAM) 技术是自主移动机器人在复杂、陌生环境中执行高级任务的关键。然而，传统方法常因定位漂移和重建效率低下成为行业痛点。来自中国科学技术大学的王纪凯团队最新发表于World Electric Vehicle Journal (WEVJ) 期刊的论文，提出LI-SLAMesh系统，一举攻克两大难题！不仅定位精度提升22%，还能实时生成毫米级三维网格地图，代码即将开源！

图1. LI-SLAMesh系统框架

研究过程与结果

传统激光定位方法为何“力不从心”？主要因为LiDAR扫描时，地面点占比超60% (如车载场景)，导致优化算法过度拟合地面，姿态估计严重偏斜。此外惯性导航 (IMU) 虽能辅助，但累积误差在长距离任务中仍会“雪球式”放大。而整个地图重建时，也有一定困难。另外，在环境三维建模领域，传统方法需维护全域体素地图，128 GB内存仅能处理1 km²场景，且Marching Cube遍历耗时极高。现有方案如SLAMesh虽提速，但跨体素网格断裂、高斯过程计算复杂，难以得到较优的建模质量。

那LI-SLAMesh方法是如何解决这些问题的呢？当激光点云法向量分布不均 (如地面法向量集中为Z轴方向)，导致雅可比矩阵病态化，优化结果偏离真实值时，LI-SLAMesh采取了残差密度驱动优化的策略。首先利用动态权重机制，为每个点云残差项赋予权重

其中ℕ为法向量的邻近密度。

该权重决定了法线密度较大的点云残差将具有较小的贡献权重。在这一基础上，再与IMU预积分约束进行融合，并提出迭代权重高斯牛顿法进行非线性优化，避免陷入局部最优。最终效果显著，如在UTBM车载数据集中，长距离轨迹误差降低15%，极端场景 (如快速转弯) 稳定性提升显著。

LI-SLAMesh方法还对地图进行了轻量化处理，利用哈希表与IMLS算法，大大减少了处理地图的代价。采用动态哈希表仅维护被占体素而不是全局体素，内存占用降低了50%。IMLS算法则通过隐式移动最小二乘，用体素内点云法向量加权计算SDF值，并且当新点云到来时，仅需迭代更新体素中心SDF，相比传统方法依赖射线投射，噪声敏感且无法利用法向量信息，精度提升了30% (KITTI实测)。

在实时网格生成方面，LI-SLAMesh方法利用动态立方体构建，仅对活跃体素 (近期被观测且点数>3) 构建邻域立方体，避免无效计算。通过立方体顶点SDF插值生成三角面片，消除SLAMesh的“网格接缝”问题。

图2. 不同方法在MaiCity Seq 01数据上的建图结果

在NCLT数据集上，起点-终点闭合误差仅0.1米；在HKU校园场景中，虽因扫描模式差异精度略降，仍保持0.76米端到端误差 (优于FastLIO2的2.14米)。在重建质量方面，Stevens-VLP16数据集下的测试点云到网格的平均距离0.01米，较SLAMesh提升5倍；Velodyne VLP-16 (低线束雷达) 场景下，墙面连续性仍优于传统方法。在动态场景中，通过“不稳定体素”剔除机制，移除80%以上移动车辆残影，效果良好。

图3. LI-SLAMesh方法在KITTI seq07数据上进行动态物体去除和不进行动态物体去除的建图结果

图4. SLAMesh和VDBFusion在KITTI seq07上进行动态物体去除后的建图结果

研究总结

论文提出了一种局部区域的实时稠密建图新框架，对激光雷达-惯性里程计和基于截断符号距离函数 (TSDF) 的建图范式进行了改进。首先，构造了基于点云法线密度驱动的激光-惯性里程计方法。在高斯-牛顿框架下研究了法线密度对位姿优化性能的影响，并根据残差对应的法线密度为其赋予权重。其次，为了减轻在整个建图空间中构建TSDF体素带来的计算负担，论文只在每个被占据的体素中构建一个符号距离函数 (SDF) 顶点，并在必要时依次遍历SDF顶点，利用相邻八个顶点构建一个SDF立方体用于生成三角面元。未来，团队将把回环检测模块整合到系统中，并开发一种更高效、更智能的表面估计器。

原文出自WEVJ 期刊：https://www.mdpi.com/3018646

期刊主页：https://www.mdpi.com/journal/wevj

WEVJ 期刊介绍

主编：Joeri Van Mierlo, Free University of Brussels, Belgium

期刊发表与纯电动汽车、混合动力电动汽车和燃料电池电动汽车相关的研究。

2023 Impact Factor：2.6

2023 CiteScore：4.5

Time to First Decision：16.2 Days

Acceptance to Publication：2.8 Days