1.导读

LiDAR-惯性里程计通过融合激光雷达与惯性测量单元，可实现车辆在未知环境中连续定位和环境建图。LiDAR能够提供稳定距离信息，但在动态目标、地面结构变化及点云匹配退化等条件下，几何约束可能变弱；IMU能够在短时间内提供运动预测，但存在累计误差。因此，如何提高状态估计对异常观测和非高斯残差的适应能力，提高算法实时性至关重要。

本文围绕上述问题构建紧耦合 LiDAR-惯性里程计框架。首先，在点云预处理阶段进行分层地面分割和地面平面估计；然后在状态估计阶段采用基于不变误差的扩展卡尔曼滤波，并使用最大相关熵准则对 LiDAR 残差和地面残差进行鲁棒加权。地面信息不仅用于特征提取前的点云筛选，还被转化为额外的状态观测，从而将点云预处理结果直接引入滤波更新。

图1  校园实车实验中的建图结果、卫星地图与 S 形行驶轨迹

2.核心算法

系统由点云预处理和 MCC-InEKF 状态估计两部分组成。输入 LiDAR 点云首先依据空间分布进行内层和外层划分，并采用不同的地面平面估计策略完成地面分割；随后从非地面点中提取边缘和平面特征。与此同时，IMU 基于李群和不变观测器设计的运动模型进行状态传播，并对提取的 LiDAR 特征点进行运动补偿。最终，根据补偿后的特征点和地面法向量构造 LiDAR 残差与地面残差，并通过 MCC-InEKF 完成迭代状态更新。

图2  所提出 LiDAR-惯性里程计系统的总体框架

1. 分层地面分割

论文依据点云非均匀分布特性，将距离 LiDAR 约 20 m 的区域作为内层与外层的分界。统计结果表明，超过 90% 的地面点和超过 85% 的全部点位于该范围内，因此近距离区域与远距离区域采用不同的平面拟合策略：内层采用 RANSAC 估计初始地面平面，并通过角度阈值进一步更新地面点；外层由于点云较为稀疏、测距精度下降，采用地面平面拟合方法（Ground Plane Fitting，GPF）进行地面估计。该设计针对近、远场点云密度和测量特性的差异采用不同的平面估计策略，以提高地面分割的稳定性，并兼顾整体计算开销。

图3  以 20 m 为边界的分层地面分割示意图

2. MCC-InEKF 鲁棒更新

在状态更新阶段，系统将 LiDAR 特征残差和地面残差统一纳入观测模型，并通过最大相关熵准则根据残差大小调整观测权重。与固定高斯噪声假设下的常规更新相比，该机制能够降低大残差观测对状态修正的影响，减轻动态物体、错误关联和非高斯噪声造成的估计偏差。同时，不变误差定义保持了状态空间结构，有助于改善滤波器的线性化一致性。

3.实验验证

论文在 M2DGR、SemanticKITTI 等公开数据集以及室内外真实车辆平台上开展验证。公开数据集实验用于考察算法在不同场景和运行距离下的定位性能，真实车辆实验则进一步验证系统在走廊、楼宇周边和校园道路等环境中的建图、定位与在线处理能力。对比方法包括 LOAM、LINS、FAST-LIO2 和 LIO-SAM。

1 点云预处理结果

图4  校园环境中的点云预处理结果：绿色为地面点，红色为非地面点

在校园道路转弯区域和建筑物附近的测试中，分层分割能够将地面点与非地面点有效分离，为后续特征提取和地面残差构造提供输入。SemanticKITTI 实验中，论文报告的地面分割平均 IoU 为 90.4%，F1 值为 94.9%，平均处理时间为 14.7 ms/scan。上述结果表明，分割模块在保持较高精度的同时，具有适用于在线处理的计算效率。

2 真实车辆定位与建图结果

图5  室内长直走廊实验中的建图结果、走廊环境与电梯房环境

图6  校园实车实验中的不同方法轨迹对比

在校园室外实验中，车辆沿约 270 m 的 S 形路线行驶，RTK 提供参考轨迹。所提出方法的绝对轨迹误差 RMSE 为 0.514 m，FAST-LIO2、LIO-SAM、LOAM 和 LINS 的对应结果分别为 0.579 m、0.632 m、1.416 m 和 3.766 m。在长直走廊实验中，所提出方法的端点漂移为 1.114 m，漂移比例为 0.75%，在被测方法中为第二小；FAST-LIO2 的端点漂移最小，为 0.982 m。结果说明，所提出方法在该组室内外实车测试中能够保持较好的定位和建图性能，但其优势具有场景依赖性，并非在所有场景中均优于其他方法。

3.消融实验与实时性分析

为分析各模块的独立贡献，论文分别设置标准误差状态更新、去除 MCC 加权、去除地面残差、将 RANSAC/GPF 分层估计策略替换为单一 GPF 策略，以及仅使用 LiDAR 特征残差等消融方案，并在 M2DGR 的 Street04、Street07、Door02 序列及真实校园室外路线中进行验证。完整方法在四个序列上的 ATE 分别为 0.487 m、7.051 m、0.223 m 和 0.514 m。去除 MCC、地面残差或分层分割后，代表性序列上的误差总体增大；将不变误差替换为标准误差状态更新后，误差也出现上升。这些结果支持不变更新、鲁棒加权、地面约束和分层预处理对所测试场景的积极作用。

在真实车辆平台上，LiDAR 频率为 10 Hz，每帧可用处理周期为 100 ms。论文报告的完整方法平均每帧运行时间为 54.0 ms，低于单帧 100 ms 的时间预算，因而能够满足该实验配置下的在线处理要求。需要指出的是，实时性结论与硬件平台、软件实现和传感器频率有关，不能直接外推到所有车载计算平台。

4.应用与展望

本文的主要贡献在于将分层地面分割、地面残差、InEKF 状态估计和 MCC 鲁棒更新整合到同一紧耦合 LIO 框架中。实验结果表明，地面信息可以同时改善特征点选择并提供垂向和姿态相关约束；MCC 更新能够减弱异常残差对滤波状态的影响；不变误差设计有助于提高测试场景下的估计性能。

从研究边界看，论文结果主要针对具有局部平滑地面的车辆运行环境，且不同方法的相对优势会随场景、路线长度和观测退化程度变化。当前工作尚未完整解决动态环境下的完整性监测、故障告警以及多传感器冗余融合问题。后续研究可围绕异常状态检测、可靠性评估和面向未知或不利环境的多传感器协同定位展开。

论文信息：

本研究由东北大学智能交通实验室完成。相关工作已被车辆技术领域工人的国际权威期刊之一《IEEE Transactions on Vehicular Technology》正式录用，即将长文发表。

论文信息：Ge Guo, Haodong Lin, Guangheng Liu, Jiageng Liu. LiDAR-Inertial Odometry for Intelligent Vehicles in Complex Environments via InEKF. Accepted for publication in the IEEE Transactions on Vehicular Technology