NV-LIO: LiDAR-Inertial Odometry using Normal Vectors Towards Robust SLAM in Multifloor Environments

过去几十年中，已经开发出了许多激光雷达惯性测距（LIO）算法，表现出了在不同环境下的令人满意的性能。然而，大多数这些算法主要在开放的户外环境中进行验证，但它们经常在狭窄的室内环境中遇到挑战。在这样的室内环境中，由于激光雷达扫描的快速变化和重复的结构特征（如墙壁和楼梯），可靠的点云配准变得困难，尤其是在多层建筑中。在本文中，我们提出了NV-LIO，这是一种基于法向量的LIO框架，专为在具有多层结构的室内环境中进行同时定位和建图（SLAM）而设计。我们的方法从激光雷达扫描中提取法向量，并利用它们进行对应搜索，以提高点云配准性能。为了确保稳健的配准，分析了法向量方向的分布，并检查了退化情况以调整匹配不确定性。此外，实现了基于视点的闭环检测模块，以避免被墙壁阻挡的错误对应。该方法通过公共数据集和我们自己的数据集进行了验证。为了为社区做出贡献，代码将在https://github.com/dhchung/nv_lio上公开。

本文旨在解决在室内环境中进行激光雷达惯性测距（LIO）时，由于快速变化的点云和重复的结构特征，如墙壁和楼梯，可靠的点云配准变得困难的问题。

本文提出了一种基于法向量的LIO框架，利用法向量进行对应搜索以提高点云配准性能，并分析法向量方向的分布以调整匹配不确定性。此外，实现了基于视点的闭环检测模块，以避免受墙壁阻挡的错误对应。

本文的亮点包括：使用法向量进行点云配准，实现视点基础的闭环检测模块，通过公共数据集和自己的数据集验证了所提出方法的有效性，并将代码开源。

最近的相关研究包括："LOAM: Lidar Odometry and Mapping in Real-time"，"LeGO-LOAM: Lightweight and Ground-Optimized Lidar Odometry and Mapping on Variable Terrain"等。