LIR-LIVO: A Lightweight,Robust LiDAR/Vision/Inertial Odometry with Illumination-Resilient Deep Features

在本文中，我们提出了LIR-LIVO，这是一种轻量且鲁棒的激光雷达-惯性-视觉里程计系统，专为应对具有挑战性的光照条件和恶劣环境而设计。所提出的方法利用了基于深度学习的抗光照变化特征以及激光雷达-惯性-视觉里程计（LIVO）。通过引入先进的技术，如通过与激光雷达点云关联实现的特征深度均匀分布，以及利用Superpoint和LightGlue进行自适应特征匹配，LIR-LIVO在低计算成本下实现了最先进的（SOTA）精度和鲁棒性。我们在包括NTU-VIRAL、Hilti'22和R3LIVE-Dataset在内的基准数据集上进行了实验。实验结果表明，我们提出的方法在标准和具有挑战性的数据集上均优于其他最先进的方法。特别是在Hilti'22数据集中，该方法在较差的环境光照条件下展示了稳健的姿态估计能力。本工作的代码已公开发布在GitHub上，以促进机器人领域的进步。

该论文试图解决在具有挑战性的光照条件和退化环境中，实现高精度和鲁棒性的定位与导航问题。这是一个常见的难题，特别是在机器人和自动驾驶领域中，因为传统的视觉里程计系统在极端条件下（如低光或无纹理环境）表现不佳。

关键思路在于结合LiDAR、惯性测量单元（IMU）和视觉传感器的优势，通过深度学习提取光照不变特征，并利用LiDAR点云进行深度关联，以确保特征的均匀深度分布。此外，采用Superpoint和LightGlue进行自适应特征匹配，从而提高系统的鲁棒性和准确性，同时保持较低的计算成本。这一方法在现有研究基础上引入了深度学习增强的多模态融合，提升了复杂环境下的性能。

实验设计涵盖了多个公开基准数据集（如NTU-VIRAL, Hilti'22 和 R3LIVE-Dataset），并在这些数据集上展示了优于其他最先进方法的表现，尤其是在Hilti'22数据集中的低光照条件下。代码已开源至GitHub，为后续研究提供了便利。未来可以进一步探索更多类型的传感器融合以及不同环境下的应用。

近年来，关于多传感器融合的研究非常活跃。例如，《Robust Visual-Inertial Odometry Using a Direct Method》探讨了直接法用于视觉-惯性里程计；《Deep Learning for LiDAR and Vision Fusion in Autonomous Driving》则聚焦于自动驾驶场景下的LiDAR与视觉融合；还有《Event-based Vision Meets Deep Learning on Real-world and Simulated Data》讨论了基于事件的视觉技术。