I2EKF-LO: A Dual-Iteration Extended Kalman Filter Based LiDAR Odometry

LiDAR测距里程计是自动驾驶和自主移动机器人领域的关键技术。然而，目前大部分工作都集中在非线性优化方法上，使用传统的迭代扩展卡尔曼滤波器（IEKF）框架解决问题仍存在许多挑战：IEKF仅迭代观测方程，依赖于初始状态的粗略估计，这不足以完全消除输入点云中的运动畸变；在复杂运动状态估计过程中，系统过程噪声难以确定；不同传感器载体之间存在不同的运动模型。为了解决这些问题，我们提出了双迭代扩展卡尔曼滤波器（I2EKF）和基于I2EKF的LiDAR测距里程计（I2EKF-LO）。该方法不仅迭代观测方程，而且利用状态更新来迭代减轻LiDAR点云中的运动畸变。此外，它根据先前预测的置信水平动态调整过程噪声，在状态估计期间为不同的传感器载体建立运动模型，以实现准确和高效的状态估计。全面的实验证明，I2EKF-LO在LiDAR测距里程计领域具有出色的精度和计算效率。此外，为了促进社区发展，我们的代码是开源的。https://github.com/YWL0720/I2EKF-LO。

解决问题：论文旨在解决自动驾驶和自主移动机器人领域中LiDAR测距技术的问题，提出了一种新的状态估计方法，称为Dual-Iteration Extended Kalman Filter (I2EKF)和基于该方法的LiDAR里程计(I2EKF-LO)。

关键思路：该论文提出的I2EKF和I2EKF-LO方法不仅迭代观测方程，还利用状态更新来迭代减轻LiDAR点云中的运动畸变，动态调整过程噪声，并建立不同传感器载体的运动模型，以实现准确和高效的状态估计。

其他亮点：论文通过实验验证了I2EKF-LO在LiDAR里程计中的高精度和计算效率，并开源了代码。值得深入研究的工作包括如何将该方法应用于其他领域和如何进一步提高估计精度。

相关研究：目前，大多数研究集中在非线性优化方法上，而该论文提出的I2EKF和I2EKF-LO方法在状态估计方面有了新的突破。此外，还有一些相关研究，例如“Visual-LiDAR Odometry: Leveraging Stereo Camera with Depth Sensor for 6DoF Pose Estimation”等。