吊打Fast-LIO2！华科开源最强多传感器融合SLAM

1. 写在前面

笔者今天为大家推荐一项最新开源的LIVO工作SR-LIVO，在定位和建图精度上都超越了R3Live和Fast-LIVO。

下面一起来阅读一下这项工作~

2. 摘要

现有的LiDAR-惯性-视觉里程计与建图( LIV-SLAM )系统主要利用LiDAR -惯性里程计( LIO )模块进行结构重建，利用视觉-惯性里程计( VIO )模块进行色彩渲染。然而，VIO的精度往往受到光度变化、弱纹理和运动模糊的影响，而不是像LIO那样具有更强的鲁棒性。本文介绍的SR - LIVO是一种先进的、新颖的LIV - SLAM系统，采用扫描重建将重建的扫描与图像时间戳对齐。这使得LIO模块可以在所有成像时刻准确地确定状态，增强了位姿精度和处理效率。在两个公开数据集上的实验结果表明：1 )我们的SRLIVO在位姿精度和时间效率上都优于现有最先进的LIV - SLAM系统；2 )在几个主流的LIV - SLAM系统(包括我们的系统)中，我们的基于LIO的位姿估计比基于VIO的位姿估计更精确。我们已经发布了我们的源代码，为该领域的社区发展做出了贡献。

3. 效果展示

SR-LIVO能够重建出稠密、3D、RGB彩色的点云地图，这一点跟R3Live很像。

( a )和( b )分别是R3Live和SR-LIVO在eee 01序列上重建的灰度图，SR-LIVO的重建效果更好。

4. 具体原理是什么？

SR - LIVO由三个主要模块组成：用于时间戳对齐的扫描重建模块，用于状态估计和结构恢复的LIO模块，以及用于相机参数优化和颜色渲染的视觉模块。

5. 和其他SOTA方法对比如何？

NTU-VIRAL数据集上的定位精度对比。

VIO模块和LIO模块的定位精度对比。

6. 总结

这篇文章提出了新的LIV - SLAM系统SRLIVO，采用扫描重建方法将重建扫描的结束时间戳与捕获图像的时间戳对齐。因此，所有图像捕获时刻的状态可以通过更可靠的LIO模块来解决，而不是敏感的VIO模块。在SR - LIVO中，LIO模块使用ESIKF求解状态，视觉模块使用ESIKF优化相机参数，分别用于最优状态估计和彩色点云地图重建。

对更多实验结果和文章细节感兴趣的读者，可以阅读一下论文原文~

本文仅做学术分享，如有侵权，请联系删文。

3D视觉交流群，成立啦！

目前我们已经建立了3D视觉方向多个社群，包括 2D计算机视觉 、 最前沿 、 工业3D视觉 、 SLAM 、 自动驾驶 、 三维重建 、 无人机 等方向，细分群包括：

工业3D视觉 ：相机标定、立体匹配、三维点云、结构光、机械臂抓取、缺陷检测、6D位姿估计、相位偏折术、Halcon、摄影测量、阵列相机、光度立体视觉等。

SLAM ：视觉SLAM、激光SLAM、语义SLAM、滤波算法、多传感器融合、多传感器标定、动态SLAM、MOT SLAM、NeRF SLAM、机器人导航等。

自动驾驶：深度估计、Transformer、毫米波|激光雷达|视觉摄像头传感器、多传感器标定、多传感器融合、自动驾驶综合群等、3D目标检测、路径规划、轨迹预测、3D点云分割、模型部署、车道线检测、Occupancy、目标跟踪等。

三维重建 ：3DGS、NeRF、多视图几何、OpenMVS、MVSNet、colmap、纹理贴图等

无人机 ：四旋翼建模、无人机飞控等

2D计算机视觉 ：图像分类/分割、目标/检测、医学影像、GAN、OCR、2D缺陷检测、遥感测绘、超分辨率、人脸检测、行为识别、模型量化剪枝、迁移学习、人体姿态估计等

最前沿 ：具身智能、大模型、Mamba、扩散模型等

除了这些，还有 求职 、 硬件选型 、 视觉产品落地、产品、行业新闻 等交流群

添加小助理: dddvision，备注： 研究方向+学校/公司+昵称 （如 3D点云+清华+小草莓 ）, 拉你入群。

「 3D视觉从入门到精通 」 知识星球

「 3D视觉从入门到精通 」知识星球，已沉淀6年，星球内资料包括： 秘制视频课程近20门 （包括 结构光三维重建、相机标定、SLAM、深度估计、3D目标检测、3DGS顶会带读课程、三维点云 等）、 项目对接 、 3D视觉学习路线总结 、 最新顶会论文&代码 、 3D视觉行业最新模组 、 3D视觉优质源码汇总 、 书籍推荐 、 编程基础&学习工具 、 实战项目&作业 、 求职招聘&面经&面试题 等等。欢迎加入3D视觉从入门到精通知识星球，一起学习进步。