Skip to content

论文arXiv 2611.220474 天前

SE(3)-LIVOM多源里程计获IROS冠军,六场景ATE达1.4cm ​

本文由 AI 根据公开内容整理,可能有误,请以原文为准:SE(3)-LIVOM: Adaptive Multi-LiDAR-Inertial-Visual Odometry and Mapping(arXiv 2611.22047)

核心内容 ​

SE(3)-LIVOM算法斩获IROS 2026 COMFORT挑战赛总冠军,该赛事聚焦足式机器人在倒塌建筑、工地及雪地等非结构化场景的定位难题。系统采用双LiDAR、单相机与IMU组合,在GrandTour数据集六个测试场景中取得1.40cm的平均绝对轨迹误差(ATE),且全程无需针对特定场景调参,展现了极强的环境泛化能力。

技术架构上,前端扩展SE(3)-LIO框架支持多LiDAR与视觉输入,通过自适应降采样将单帧扫描处理耗时控制在35ms左右;后端引入子地图平面光束平差法(Plane BA)与增量位姿图优化以在线修正漂移。整套系统满足实时性要求,代码已在GitHub开源,为腿足机器人高精度导航提供了可复现的SOTA基准。

关键看点 ​

  • 竞赛性能:获IROS 2026 COMFORT挑战赛冠军,六类非结构化测试场景平均ATE仅1.40cm,全程单一配置无需调参
  • 实时计算:自适应降采样策略使双LiDAR+相机前端扫描处理耗时稳定在35ms,满足足式机器人机载实时运算需求
  • 后端优化:采用子地图平面光束平差法结合增量位姿图优化,有效抑制长时累积漂移,保障复杂环境建图一致性
  • 开源资产:完整代码于GitHub开源,提供双LiDAR+视觉+IMU融合的高精度里程计可复现方案与评测基准

工程与产业观察 ​

该工作证明了SE(3)流形上的多源紧耦合融合是解决足式机器人极端环境SLAM的有效路径。35ms实时性与1.4cm精度的平衡,以及单配置泛化能力,显著降低了非结构化场景部署门槛。开源代码为具身智能体在废墟、野外等GPS拒止环境下的自主导航提供了高价值工程参考与算法基线。

英文摘要 (Abstract) ​

This paper presents SE(3)-LIVOM, the overall winner of the COMFORT Challenge at IROS 2026. The challenge asks for the trajectory of a legged robot in the GrandTour dataset, whose scenes include collapsed buildings, construction sites and snowfields. SE(3)-LIVOM runs in real time on two LiDARs, one camera and an IMU. Its frontend extends SE(3)-LIO to multiple LiDARs and a camera. Adaptive downsampling keeps the time per scan near 35 ms within and across scenes. An online backend corrects drift with a plane bundle adjustment over submaps and an incremental pose graph. With a single configuration for all scenes, the system reaches an average ATE of 1.40 cm on the six test scenes. The code is available at https://github.com/url-kaist/se3-livom-comfort.

作者:Gunhee Shin, Seungjae Lee, Daebeom Kim, Seoyeon Jang, Hyun Myung

基于本页技术方向关联的整机参数、核心零部件、实测报告与同赛道选型横评。

外部来源

本页事实对应的公开页面,以原文为准。(点击将离开本站)

  1. arXiv 2611.22047:SE(3)-LIVOM: Adaptive Multi-LiDAR-Inertial-Visual Odometry and Mapping ↗访问 2026-11-18