点击下方卡片，关注「3D视觉工坊」公众号
选择星标，干货第一时间送达
来源：3D视觉工坊
3D视觉硬件汇总，包括结构光3D相机(支持室内外，焊接，机械臂抓取等场景)，相位偏折术、散斑、机械臂抓取和焊接软件，手持扫描仪(支持定位、重定位、稠密建图)、四足狗和小车定位和导航，底盘。点击->查看详情：
LiDAR里程计是自动驾驶、机器人导航与三维建图的核心感知模块，其精度与鲁棒性直接决定了下游定位、规划与重建系统的可靠性。
然而在隧道、长廊道等几何退化环境中，scan-to-map里程计会沿不可观测轴产生无界漂移，现有退化处理方法又高度依赖针对特定环境的参数调优，难以跨场景泛化。
本文提出一种免参数（parameter-free）的退化感知LiDAR里程计方法LF-GICP，通过构建体素法线可定位性场（Voxel-Normal Localizability Field）并利用其两项统计量自动检测退化方向，从而在不需任何环境特定调参的前提下实现跨四种传感器的稳健定位。
核心亮点在于：作者发现体素化GICP中Gauss-Newton Hessian由于协方差正则化会人为掩盖平移退化，于是提出无正则化的体素法线可定位性场，并用归一化分数 f_0 检测方向各向异性、用绝对质量 λ_0 区分信息缺失（隧道）与信息稀释（开阔密集场景）；通过时序中值门控结合两者触发Fisher信息加权，仅需在两段短序列上按固定规则标定一次后冻结，即可在KITTI上取得最低相对平移误差0.865%，并在GEODE隧道、MulRan、HeLiPR数据集及四种不同传感器上无需重新调参地保持领先。
导读
Scan-to-map LiDAR里程计在隧道和走廊等几何退化环境中会沿不可观测轴产生无界漂移，而现有的退化处理方法需要针对环境进行特定参数调优。本文提出一种免参数的方法。作者证明在体素化GICP中，Gauss-Newton Hessian会掩盖平移退化，因为协方差正则化使平移块人为地保持良好条件数。为此，他们绕开正则化，构建了体素法线可定位性场，并提出其两项统计量：归一化分数 f_0 用于检测方向各向异性，绝对逐体素质量 λ_0 用于区分信息缺失（隧道）与信息稀释（密集开阔场景）。时序中值门控将两者结合，触发Fisher信息对应加权。LF-GICP仅需在两段短序列上按固定规则标定一次后冻结，即在相同评测协议下取得KITTI最低相对平移误差0.865%，在GEODE隧道和MulRan上优于基线，在HeLiPR均值上领先，并能跨四种传感器类型无需重新调参地泛化。此外，作者还从实验上证明，对于LiDAR-only配准而言，笔直均匀的隧道沿其轴向仍是不可观测的。
效果展示
图 5. 完整序列轨迹、单次固定位姿（经 Umeyama 对齐；括号内为绝对轨迹误差 ATE；▲ = 起点）。(a) MulRan 数据集 KAIST01 序列（8142 帧，OS1‑64 激光雷达）：KISS‑ICP 算法在校园环路多次回环过程中产生航向漂移。(b) HeLiPR 数据集 RIVER04 序列（6114 帧，OS2‑128 激光雷达）；为保证图示清晰，省略 GenZ‑ICP 结果（绝对轨迹误差 15.9 m）。
引言
LiDAR里程计通过逐帧配准估计载体运动，是无人车、移动机器人等平台实现自主定位与建图的基础模块。在结构丰富的开放场景中，scan-to-map方法通常能够取得良好精度；但当载体进入隧道、长廊道等几何对称环境时，沿对称轴方向的运动信息急剧减少，里程计不可避免地产生漂移。
现有方法在退化检测与处理方面已有大量研究，包括基于Hessian特征值分析的退化因子识别、沿退化轴的位移约束或剔除，以及基于信息论的自适应加权等。这些方法在一定程度上缓解了退化漂移问题。
然而，现有退化处理方法普遍存在一个共性局限：它们依赖针对特定环境或传感器设定的阈值与参数。当场景结构、点云密度或扫描模式发生变化时，这些参数往往需要重新调整，导致方法难以跨场景、跨传感器泛化。更深层的问题在于，常用的GICP协方差正则化会人为地将平移块维持在良好条件状态，使退化现象被掩盖而难以被正确检测。
本文针对上述痛点，提出免参数的退化感知LiDAR里程计框架LF-GICP。其核心思路是绕开掩盖退化的协方差正则化，直接在体素法线空间构建可定位性场，并用两项互补统计量分别刻画退化方向与信息绝对量，从而以固定规则实现跨场景、跨传感器的自适应退化检测与加权。
主要贡献
本文的主要贡献可归纳为以下三点。
• 揭示并论证了体素化GICP中Gauss-Newton Hessian因协方差正则化而掩盖平移退化的机理，并据此提出无正则化的体素法线可定位性场，从根本上恢复了退化检测的可观测性。
• 设计了两项互补的统计量——归一化分数 f_0 与绝对逐体素质量 λ_0——分别检测方向各向异性与区分信息缺失（隧道）与信息稀释（密集场景），并通过时序中值门控触发Fisher信息对应加权，实现免参数的退化感知。
• 仅在两段短序列上按固定规则标定一次后冻结，LF-GICP在KITTI取得最低相对平移误差0.865%，在GEODE隧道、MulRan、HeLiPR上保持领先，并跨四种传感器无需重新调参泛化，同时从实验上证明笔直均匀隧道沿轴向的不可观测性。
方法
LF-GICP的整体框架以体素化GICP配准为骨干，在其上叠加免参数的退化感知模块。系统在每一帧到来时进行scan-to-map配准，同时计算体素法线可定位性场并据其对对应关系进行Fisher信息加权，从而在退化方向上自适应降权、抑制漂移。
关键技术模块包括三个方面。首先是体素法线可定位性场的构建：对每个体素统计其内部点法线分布，在无协方差正则化的前提下计算法线协方差，由此得到反映该体素方向可观测性的信息矩阵。其次是两项统计量的推导：f_0 为归一化分数，用于检测法线分布的方向各向异性，即退化方向；λ_0 为绝对逐体素质量，用于区分信息缺失（如隧道中沿轴向无几何约束）与信息稀释（密集开阔场景中信息被稀释但并非缺失）。最后是时序中值门控与Fisher信息加权：将 f_0 与 λ_0 通过时序中值门控组合，当检测到退化时触发基于Fisher信息的对应加权，使退化方向上的对应贡献被自动抑制。
在推理流程上，LF-GICP仅在两段短序列上按固定规则标定一次参数后即冻结，此后不再需要任何环境或传感器特定的调参。运行时，每一帧经过可定位性场计算与门控判断，自适应地对对应关系加权并完成Gauss-Newton优化，输出位姿估计。整个流程无需在线参数调整，保证了跨场景与跨传感器的开箱即用性。
实验结果
实验在KITTI、GEODE（隧道）、MulRan、HeLiPR四个数据集上展开，并涵盖四种不同型号的LiDAR传感器，评测指标为相对平移误差与旋转误差，所有基线均在相同协议下重新运行以保证公平对比。
主要结果显示，LF-GICP在KITTI上取得最低相对平移误差0.865%，在GEODE隧道和MulRan上优于所有基线，在HeLiPR均值上领先，且在跨四种传感器的泛化实验中无需重新调参即保持稳定精度，充分验证了免参数退化感知设计的有效性。
消融实验进一步验证了各模块的贡献：去除协方差正则化以恢复退化可观测性是性能提升的关键前提；单独使用 f_0 或 λ_0 均无法兼顾方向各向异性检测与信息绝对量区分，二者结合的时序中值门控才是最优；此外实验还表明，笔直均匀隧道沿轴向对于LiDAR-only配准确实不可观测，印证了退化处理的必要性。
总结 & 未来工作
本文提出免参数的退化感知LiDAR里程计LF-GICP，通过揭示协方差正则化掩盖平移退化的机理，构建无正则化的体素法线可定位性场及两项互补统计量，实现了跨场景、跨传感器的开箱即用退化感知，在多个数据集与传感器上取得领先精度。
未来工作可探索将该免参数可定位性场框架扩展至更复杂的动态环境与多传感器融合场景，进一步结合IMU等惯性信息以提升极端退化条件下的位姿估计稳定性。
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。
。
添加微信：cv3d001，备注：姓名+方向+单位，邀请入群。
