RAL 2025 | P2d-DO：高斯模型退化状态感知下的 LiDAR SLAM 退化优化方法！

点击下方 卡片 ，关注 「计算机视觉工坊」 公众号
选择 星标 ，干货第一时间送达

来源：计算机视觉工坊

添加小助理：cv3d001，备注：方向+学校/公司+昵称，拉你入群。文末附3D视觉行业细分群。

扫描下方二维码，加入 「3D视觉从入门到精通」知识星球 ( 点开有惊喜 ) ，星球内凝聚了众多3D视觉实战问题，以及各个模块的学习资料： 近20门秘制视频课程 、 最新顶会论文 、计算机视觉书籍 、 优质3D视觉算法源码 等。想要入门3D视觉、做项目、搞科研，欢迎扫码加入！

论文信息

论文标题：P2d-DO: Degeneracy Optimization for LiDAR SLAM with Point-to-Distribution Detection Factors

作者：陈炜楠，纪穑华，林旭滨，杨志新，池文政，管贻生，朱海飞，张宏

单位：广东工业大学，九天创新（广东）智能科技有限公司，广东省科学院智能制造研究所，澳门大学，苏州大学，南方科技大学

期刊：IEEE Robotics and Automation Letters (Volume: 10, Issue: 2, February 2025)

原文链接：https://ieeexplore.ieee.org/document/10816047

代码链接：https://github.com/jisehua/Degenerate-Detection

导读

尽管激光雷达 SLAM 技术已广泛应用于各类机器人，但在几何特征稀疏的场景中，由于约束条件不足，该技术仍可能出现严重的退化现象。若不能及时检测并正确处理这些退化问题，定位与建图的精度和性能将显著下降。因此，本文提出了一种基于点到分布的退化检测算法和点云加权的退化优化算法（P2d-DO），旨在缓解退化现象对SLAM系统性能的负面影响。具体来说，退化检测算法通过监测局部区域内分布概率的变化，输出一个反映退化状态的退化因子。该因子随后作为点云置信度的表征，输入退化优化算法，从而使系统能够在匹配过程中通过赋予可靠点云更高的权重，来优先处理高质量的点云信息。综合实验结果验证了我们方法的有效性，表明其在退化检测和姿态估计的准确性与鲁棒性方面均有显著提升。

效果展示

退化场景

退化检测

当机器人进入长直走廊时，两种方法的退化因子都显著下降；而当机器人离开走廊时，我们的方法能够准确检测到机器人已经脱离退化场景。

退化优化

融合P2d-DO后LIO-SAM的定位建图效果：

引言

当前主流的激光雷达 SLAM 方法在很大程度上依赖于激光雷达传感器对环境几何结构特征的检测能力。因此，当这些方法应用于几何特征稀疏的场景（如隧道、长直走廊或空旷区域）时，由于缺乏某些方向上的约束容易导致退化现象，从而显著降低激光雷达 SLAM 的位姿估计精度。

针对退化问题，已有多种方法通过融合异源传感器数据来弥补退化场景中缺乏约束的问题。然而，这些方法往往缺乏对退化环境特征或系统退化状态的深入分析，导致算法鲁棒性较差，且有时会产生不可预测的结果。因此，退化检测已成为广泛研究的领域，旨在为退化优化提供有效的信息。目前主流的方法主要依赖于点对点的匹配，然而这种匹配方式存在抗噪声能力不足的问题，因此容易出现误检测现象。

在本研究中，我们提出的 P2d-DO 方法由两大核心部分组成：1）一种利用局部几何特征增强退化检测性能的点到分布（P2d）算法；2）一种在退化场景下提高位姿估计性能的点云加权退化优化（DO）算法。为确保局部几何特征满足高斯分布假设（这一假设对提高退化检测的准确性至关重要），P2d 算法集成了自适应体素分割（AVS）算法。因此，P2d 算法输出的退化因子将作为输入供 DO 算法使用，进而减小低置信度点云的干扰，显著提升激光雷达 SLAM 位姿估计的准确性和鲁棒性。

主要贡献

本文的主要贡献如下：

• 提出了一种基于点云分布密度的自适应体素分割算法，以确保局部几何特征符合高斯分布假设。
• 提出了一种基于点到分布的退化检测算法，通过结合局部几何特征，有效降低噪声干扰，避免出现误检测。
• 提出了一种点云加权退化优化算法，旨在减轻退化点云对激光雷达 SLAM 位姿估计的影响。

方法

下图展示了 P2d-DO 方法的框架结构。该框架由三个模块组成：AVS、P2d 和 DO，分别用蓝色、黄色和绿色标示。其中，AVS 和 P2d 构成退化检测模块。首先，AVS 模块对原始点云进行离散化处理，并根据点云的分布密度自适应调整体素大小。通过精细化每个体素内的空间分布，AVS 提高了局部几何特征的精度。在优化后的局部几何特征的基础上，P2d 模块通过分析连续帧之间局部区域内点云分布概率的变化，来得到表征退化状态的退化因子。该因子量化了点云的退化程度，为后续优化提供了重要依据。DO 模块利用退化因子来评估所有点云的置信度，降低退化程度较高点云的权重，从而减小其对整体位姿估计的影响，最终提升激光雷达 SLAM 的准确性和鲁棒性。

AVS 模块

我们的体素分割算法能够实时适应环境变化，主要包括以下三个步骤：

1. 离散化点云：将原始点云离散化为若干个相同大小的体素网格；
2. 几何模型分类：按照 chen 等人在加权NDT算法中提出的几何模型分类方法，将初始体素网格划分为三种几何模型：线性模型、平面模型和立体模型；
3. 稀疏区域检测与体素大小的自适应分割：基于点云的分布密度检测体素内的稀疏区域，并根据不同的几何模型采用不同的分割策略，从而获得新的体素。

该过程会重复执行，直到未能识别出新的稀疏区域为止。

P2d 模块

结构对称性是退化场景的典型特征，因此在该环境下，激光雷达所提取的几何特征变化较小。因此，我们假设可以利用退化场景这一固有特性来提升退化检测的准确性。与其他方法仅关注几何约束不足导致配准误差增大的问题不同的是，我们的方法通过引入局部几何特征来降低噪声对检测结果的干扰，通过观察受扰动前后点云在局部区域内分布概率的变化，提出了一种新的退化因子：

其中， 表示系统所受到的扰动， 表示在变换增量 的影响下，扰动前后点云的分布概率。

DO 模块