LIO-SAM: 平滑化とマッピングによる密結合LiDAR慣性オドメトリ
1分まとめ
LiDARオドメトリとIMUの計測を因子グラフ上で密結合し、ループ閉じ込みやGPSなどの絶対測位を統一的に扱えるようにしたLIO-SAMを提案した。ローカルなスライディングウィンドウでスキャンマッチングすることで、リアルタイム性能と高精度を両立し、公開データセットでLOAMやLIOMを上回る結果を示した。
- 因子グラフ上にIMUプリインテグレーション、LiDARオドメトリ、GPS、ループ閉じ込みの4種類の因子を統合する密結合LiDAR慣性オドメトリを提案した。
- ParkデータセットのGPS基準RMSEはLIO-SAMが0.96mで、LOAMの47.31m、LIOMの28.96mを大きく下回った。
- カルマンフィルタではなく平滑化とマッピング（iSAM2）を採用し、ローカルなスライディングウィンドウでスキャンマッチングすることでリアルタイム性能を確保した。
- 1スキャンあたりの処理時間は41.9〜100.5msで、2倍速から13倍速のデータ再生でも失敗せず、当時のLOAMやLIOMより実時間性能が高かった。
- 評価は自前の5データセットのみで、GPSを基準にしたRMSEはParkデータセットの1つだけ。KITTIなど公開ベンチマークでの評価はなく、当時から一般化には注意が必要だった。
課題
LOAMはLiDARオドメトリの標準的実装として広く使われていたが、大域ボクセルマップへのマッチングに依存するため、ループ閉じ込みやGPS等の絶対測位を取り込むのが難しく、特徴が多い環境では計算が非効率になり、長距離走行ではドリフトが蓄積した。またLIOMのような密結合手法は精度は高いがリアルタイム性能を達成していなかった（著者らのテストで約0.6倍速）。
提案手法
LIO-SAMは、ロボット状態（位置・姿勢・速度・IMUバイアス）をノードとする因子グラフを構築し、以下の4種類の因子を導入する。(a) IMUプリインテグレーション因子：IMU計測から相対運動を計算し、点群のデスキューと初期値生成に使う。バイアスはグラフ上で同時最適化される。(b) LiDARオドメトリ因子：最新キーフレームを、直近25個のサブキーフレームから作ったボクセルマップにマッチングして相対変換を得る。キーフレームは移動1mまたは回転10度を超えたときだけ追加する。(c) GPS因子：GPS測位が利用可能で、位置の不確実性がGPSの不確実性より大きいときに追加する。(d) ループ閉じ込み因子：新しいノードから15m以内にある過去ノードを探し、その周辺のサブキーフレームにマッチングして相対変換を因子として追加する。グラフ最適化はiSAM2でインクリメンタルに行われる。
評価と結果
著者らが収集した5つのデータセット（Rotation、Walking、Campus、Park、Amsterdam）で評価した。比較対象はLOAM（リアルタイム動作）とLIOM（無限時間で全データを処理）。(1) ループ閉じ込み誤差（m）：CampusではLOAM 192.43、LIOM Fail、LIO-odom 9.44、LIO-GPS 6.87、LIO-SAM 0.12。ParkではLOAM 121.74、LIOM 34.60、LIO-odom 36.36、LIO-GPS 2.93、LIO-SAM 0.04。AmsterdamではLOAM・LIOM・LIO-odomがFail、LIO-GPS 1.21、LIO-SAM 0.17。(2) GPS基準RMSE（m，z軸除外，Parkのみ）：LOAM 47.31、LIOM 28.96、LIO-odom 23.96、LIO-GPS 1.09、LIO-SAM 0.96。(3) 1スキャンあたりの処理時間（ms）：RotationでLOAM 83.6、LIO-SAM 41.9、WalkingでLOAM 253.6、LIOM 339.8、LIO-SAM 58.4、CampusでLOAM 244.9、LIO-SAM 97.8、ParkでLOAM 266.4、LIOM 245.2、LIO-SAM 100.5、AmsterdamでLOAM Fail、LIOM Fail、LIO-SAM 79.3。ストレステストでは最大13倍速（Rotation）でも失敗しなかった。
ループ閉じ込み誤差とGPS基準RMSEの比較
| 指標 | LOAM | LIOM | LIO-odom | LIO-GPS | LIO-SAM |
|---|---|---|---|---|---|
| Campus ループ閉じ込み誤差 (m) | 192.43 | Fail | 9.44 | 6.87 | 0.12 |
| Park ループ閉じ込み誤差 (m) | 121.74 | 34.60 | 36.36 | 2.93 | 0.04 |
| Amsterdam ループ閉じ込み誤差 (m) | Fail | Fail | Fail | 1.21 | 0.17 |
| Park GPS基準RMSE (m) | 47.31 | 28.96 | 23.96 | 1.09 | 0.96 |
ループ閉じ込み誤差（対数軸）
新規性
既存のLOAMの特徴抽出・マッチングと、視覚慣性オドメトリで発展していた因子グラフ・IMUプリインテグレーションを組み合わせ、特に「キーフレーム選択＋固定サイズのサブキーフレーム群への局所マッチング」でリアルタイム性能を実現した点が新規性の中核である。
限界
著者らによる明記はないが、論文から以下の制約が読み取れる。評価が5つの自己収集データセットのみで、KITTIオドメトリベンチマークなど現在の標準的な公開ベンチマークでは評価されていない。GPS基準RMSEはz軸を除外したParkデータセットの1件のみで、GPS自体を真値として扱うためGPSの誤差が結果に含まれる。ループ閉じ込みは単純なユークリッド距離ベースで、視覚的特徴や点群記述子による場所認識は実装していない。点群の特徴抽出とマッチングはLOAMと同じ手法を使うため、LOAMが苦手とする環境では提案手法も影響を受ける。以降の研究では、よりロバストな場所認識（例：Scan Context）や劣悪な特徴環境向けの密結合手法が発展した。
産業へのインパクト
LIO-SAMは、LiDAR-IMU統合を因子グラフで定式化するという設計を広めた草分け的な仕事で、その後多くのLiDAR慣性オドメトリ研究のベースラインとなった。特に、ローカルなスライディングウィンドウによるスキャンマッチング（サブキーフレーム）を導入し、リアルタイム性と精度の両立を実現した点が標準的な方法として定着した。当時は「キーフレームを選んで大域マップではなく局所マップにマッチングする」という考え方が新しかった。ソースコードが公開され、ROS対応で多くのシステムに組み込まれた。現在のLiDAR慣性オドメトリの実装を考える際にも、因子グラフによるセンサ融合の基本的な枠組みとして参照される。