学术研究报告

一、研究概述

本研究由韩国浦项科技大学（POSTECH）融合IT工程系的Daehan Lee、麻省理工学院（MIT）信息与决策系统实验室（LIDS）的Hyungtae Lim（IEEE会员）以及浦项科技大学电气工程与融合IT工程系的Soohee Han（IEEE高级会员，通讯作者）共同完成。该研究成果于2024年11月被《IEEE Robotics and Automation Letters》接收，并作为预印本发表。研究提出了一个名为GenZ-ICP的新型迭代最近点（Iterative Closest Point, ICP）方法，旨在解决激光雷达（Light Detection and Ranging, LiDAR）里程计在退化环境中性能下降的问题。

二、学术背景与研究动机

激光雷达里程计因其高精度测距能力和对光照变化不敏感的特性，被广泛应用于机器人位姿估计。然而，现有的LiDAR里程计系统通常依赖单一的误差度量（error metric），如图3所示，主要包括点对点误差度量（point-to-point error metric）和点对面误差度量（point-to-plane error metric）。这两种误差度量各有优劣：点对点度量在多种环境中表现稳定，但在结构化环境中因未利用表面法向量等几何特征而精度不足；点对面度量在结构化环境中精度高，但在非结构化环境中因噪声影响法向量估计而导致精度下降。广义ICP（Generalized-ICP, G-ICP）虽然在一个概率框架中融合了两种度量，但其假设所有环境均为局部平面，这在几何特征复杂的环境中会引入显著的近似误差。

特别是在长走廊等退化环境中，由于几何特征匮乏，上述单一误差度量的方法容易导致解算出现病态问题（ill-posed problems），从而产生严重的位姿漂移。为了解决这一核心问题，本研究提出GenZ-ICP，旨在以一种互补的方式利用点对面和点对点误差度量的优势，并通过自适应权重增强对各种环境的适应性，尤其是在走廊类退化场景中的鲁棒性。

三、研究方法与工作流程

本研究提出的GenZ-ICP方法应用于一个完整的LiDAR里程计系统中，其核心工作流程包含三个关键步骤。

第一步：平面性分类

在为当前激光扫描和局部地图建立点对点对应关系后，GenZ-ICP首先对每个对应点对进行分类，以决定应用何种误差度量。分类的依据是每个点邻域的平面性（planarity）。具体来说，若某点的邻域点数量少于阈值τnum，则直接判定其为非平面点，并对其应用点对点误差度量。若邻域点数量足够，则通过主成分分析（PCA）计算邻域的局部表面变化（local surface variation），该值定义为λ3/(λ1+λ2+λ3)，其中λ1、λ2、λ3是按降序排列的特征值。如果该比值小于阈值τplanar，则表面被认为是平面的，应用点对面误差度量；反之则为非平面，应用点对点误差度量。这一机制确保了法向量估计的可靠性，避免了在非平面区域错误使用点对面度量所带来的误差。

第二步：残差与雅可比矩阵设置

根据分类结果，研究为对应点对设置不同的残差（residual）和雅可比矩阵（Jacobian matrix）。 对于平面点，采用点对面误差度量，其残差e_pl定义为变换后的源点(rp+t)与目标点q的差分向量在法向量n上的投影，即e_pl = (rp + t - q) · n。其对应的雅可比矩阵J_pl通过小角度近似推导得出。 对于非平面点，采用点对点误差度量，其残差e_po定义为变换后的源点与目标点之间的向量差，即e_po = rp + t - q。其雅可比矩阵J_po为[I_3， -[p]×]。通过这种设置，平面区域的几何约束和非法向量区域的直接位置约束被分别有效地构建。

第三步：基于自适应权重的优化

GenZ-ICP的核心创新在于其自适应加权优化策略。该研究定义了一个由权重α调节的联合代价函数：Δ̂ = argmin (α * Σ||e_pl||² + (1-α) * Σ||e_po||²)。其中，自适应权重α等于平面对应点对数（n_pl）占总对应点数（n_pl + n_po）的比例（α = n_pl / (n_pl + n_po)）。这个简单的比率设计使得算法能够动态调整对不同误差度量的依赖程度。在结构化程度高的环境中，平面点占比高，α趋近于1，优化主要以点对面约束为主，充分利用环境几何特征；而在非结构化或退化环境中，平面点占比降低，α减小，点对点约束的权重增加，从而提供了额外的数值稳定性，防止优化过程因约束不足而退化。最终，该优化问题被转化为一个线性最小二乘问题Δ̂ = argmin ||AΔ + b||²来求解，其中矩阵A和向量b由J_pl、e_pl、J_po、e_po和权重α共同构建。

四、主要实验结果与分析

研究团队在多种类型的数据集上进行了详尽的实验评估，以验证GenZ-ICP的性能。

首先，在常规环境测试中，使用了Newer College数据集（包含森林等非结构化环境与建筑等结构化环境）、Mulran数据集和KITTI里程计数据集（均为城市场景）。实验结果显示，GenZ-ICP的性能与最先进的LiDAR里程计方法相当。在Newer College数据集的短途和长途实验中，GenZ-ICP均取得了排名前二相对平移误差（relative translational error）结果，在短途实验中甚至优于包含回环检测模块的完整SLAM系统CT-ICP。在Mulran和KITTI数据集中，其精度也稳定保持在最先进水平，证明了其通用性。

其次，在退化环境测试中，使用了HILTI-Oxford数据集、Ground-Challenge数据集和SubT-MRS数据集中的长走廊序列。这是本研究重点验证的场景。结果显示，依赖单一误差度量的方法（如CT-ICP使用点对面，DLO使用G-ICP）在长走廊中普遍出现显著的位姿漂移，其绝对位姿误差（APE）和最大相对位姿误差极高，如图4所示，它们绘制的轨迹终点严重偏离真值。依赖点对点度量的Kiss-ICP虽然减小了漂移，但因未利用几何信息，整体地图精度较低。而专为退化问题设计的Zhang等人的方法和X-ICP也表现不佳：前者未能从根本防止优化病态，后者因离群值导致约束不准，甚至轨迹发散。相比之下，GenZ-ICP在所有走廊场景的绝对轨迹误差和相对轨迹误差各项指标中均取得最优结果，其生成的轨迹终点与真值最接近，地图最为精确。

最后，研究通过奇异值条件数（condition number）定量分析了GenZ-ICP防止退化的机制。条件数是衡量优化问题数值稳定性的指标，值越高代表问题越病态。如图5所示，在所有走廊序列中，点对面ICP和DLO的条件数极高，解释了其位姿漂移的原因。尽管Zhang等人的方法能检测退化，但其条件数依然很高，无法避免优化过程的病态。而GenZ-ICP在所有序列中的条件数均最低，并通过配对t检验证明与其它方法有极显著差异（p值小于0.0001）。这有力地证明了该方法通过自适应混合点对点约束，从源头上改善了优化问题的数值条件，实现了对退化问题的内在鲁棒性，而非事后补救。

五、研究结论与价值

该研究得出结论，通过自适应地将点对面和点对点误差度量相结合，GenZ-ICP成功克服了依赖单一误差度量的局限性。其科学价值在于提出了一种新颖的、基于场景几何特性的自适应加权策略，解决了ICP在退化环境中因约束不足导致的数学病态问题，为点云配准的鲁棒性研究提供了新思路。其应用价值在于，该方法在通用环境中性能优异，在长走廊等挑战性退化场景中显著优于现有技术，可提升自主移动机器人在复杂、多变室内外环境中的定位可靠性，具有重要工程实践意义。

六、研究亮点

本研究的亮点主要体现在两个方面。第一，方法的自适应性创新。它并未设计复杂的退化检测与切换机制，而是通过一个简洁的平面点占比α，优雅地实现了误差度量的连续、自适应平滑过渡，使算法能无缝适应结构化与非结构化环境的切换。第二，对鲁棒性机制的深入定量分析。通过条件数这一数值分析工具，深刻揭示了不同误差度量在不同环境下的数值特性，以及GenZ-IC为何能够防止退化的数学本质，这超越了现象层面的性能比较，提供了理论层面的洞察。