Scan Context: Egocentric Spatial Descriptor for Place Recognition within 3D Point Cloud Map（2018）

code: https://github.com/gisbi-kim/SC-LIO-SAM
摘要： 与用于视觉场景的各种特征检测器和描述符相比，使用结构信息描述一个地方的报道相对较少。同步定位和映射（SLAM）的最新进展提供了密集的环境三维地图，并且定位是由不同的传感器提出的。针对基于结构信息的全局定位，我们提出了扫描上下文，一种基于非直方图的全局描述符，来自于三维光检测和测距（LiDAR）扫描。与以前报道的方法不同，所提出的方法直接记录了来自传感器的可见空间的三维结构，而不依赖于直方图或之前的训练。此外，该方法提出使用相似度评分来计算两个扫描上下文之间的距离，并使用两阶段搜索算法来有效地检测一个循环。扫描上下文及其搜索算法使循环检测对激光雷达视点的变化保持不变，从而可以在反向重新访问和角落等地方检测到循环。通过三维激光雷达扫描的各种基准数据集对扫描上下文性能进行了评估，该方法显示出了足够好的性能改进。

LIO-CSI: LiDAR inertial odometry with loop closure combined with semantic information（2021）

摘要： 准确、可靠的状态估计和映射是大多数自动驾驶系统的基础。近年来，研究人员主要关注利用几何特征匹配进行姿态估计。然而，文献中的大多数作品都假设了一个静态的场景。此外，基于几何特征的配准容易受到动态物体的干扰，导致精度下降。随着深度语义分割网络的发展，除了几何信息之外，我们还可以方便地从点云中获取语义信息。语义特征可以作为几何特征的辅助手段，可以提高测程法和环路闭包检测的性能。在更现实的环境中，语义信息可以过滤出数据中的动态对象，如行人和车辆，从而导致生成的地图中的信息冗余和基于地图的定位失败。在本文中，我们提出了一种结合语义信息（LIO-CSI）的激光雷达惯性测程法（LIO）方法，该方法集成了语义信息，便于前端过程和环路闭包检测。首先，我们对稀疏点-体素神经结构搜索（SPVNAS）网络提供的语义标签进行了局部优化。将优化后的语义信息通过平滑映射（LIOSAM）结合到紧密耦合光检测和测距（LiDAR）惯性测程的前端过程中，可以对动态对象进行过滤，提高点云配准的精度。然后，我们提出了一种语义辅助扫描上下文方法，以提高循环闭包检测的准确性和鲁棒性。该实验是在吉林大学（JLU）校区的一个广泛使用的数据集KITTI和一个自收集的数据集上进行的。实验结果表明，该方法优于纯几何方法，特别是在动态情况下，具有良好的泛化能力。

Semantic Lidar-Inertial SLAM for Dynamic Scenes（2022）

摘要： 在过去的几年里，许多令人印象深刻的激光雷达-惯性SLAM系统已经被开发出来，并在静态场景下表现良好。然而，在现实生活中，大多数任务都是在动态环境下，确定一种提高准确性和鲁棒性的方法是一个挑战。本文提出了一种结合点云语义分割网络和激光雷达惯性SLAM LIO映射的动态场景语义SLAM激光雷达惯性SLAM方法。我们向点conv网络中输入一个注意机制，建立一个注意权重函数，以提高预测细节的能力。来自激光雷达的点云的语义分割结果使我们能够获得每个激光雷达帧的点级标签。对动态目标进行滤波后，激光雷达-惯性SLAM系统的全局图更加清晰，估计的轨迹可以获得更高的精度。我们在一个UrbanNav数据集上进行了实验，其具有挑战性的高速公路序列有大量移动的汽车和行人。结果表明，与其他SLAM系统相比，可以在不同程度上提高运动轨迹的精度。

RF-LIO: Removal-First Tightly-coupled Lidar Inertial Odometry in High Dynamic Environments（2022）

摘要： 同步定位和映射（SLAM）被认为是智能车辆和移动机器人的一种基本能力。然而，目前大多数的激光雷达SLAM方法都是基于一个静态环境的假设。因此，在具有多个移动对象的动态环境中的定位实际上是不可靠的。本文提出了一种基于LIO-SAM的动态SLAM框架RF-LIO，该框架添加自适应多分辨率范围图像，使用紧密耦合的激光雷达惯性测程法首先去除移动物体，然后将激光雷达扫描与子图进行匹配。因此，即使在高动态的环境中，它也能获得准确的姿态。所提出的RF-LIO在自收集的数据集和开放的Urbanloco数据集上进行了评估。在高动态环境下的实验结果表明，与LOAM和LIO-SAM相比，所提出的RF-LIO的绝对轨迹精度可以分别提高90%和70%。RF-LIO是高动态环境中最先进的SLAM系统之一。

A Fast Dynamic Point Detection Method for LiDAR-Inertial Odometry in Driving Scenarios(2024)

code: https://github.com/ZikangYuan/dynamic_lio

摘要： 现有的基于三维点的动态点检测和去除方法具有显著的时间开销，使其难以适应激光雷达-惯性测程系统。本文提出了一种基于标签一致性的动态点检测和去除方法，用于处理自动驾驶场景中的移动车辆和行人，并将所提出的动态点检测和去除方法嵌入到一个自设计的激光雷达-惯性测程系统中。在三个公共数据集上的实验结果表明，我们的方法可以在LIO系统中以极低的计算开销（即1∼9ms）完成动态点检测和去除，同时实现与最先进的方法相当的保存率和拒绝率，显著提高了姿态估计的精度。我们已经发布了这项工作的源代码。