文档类型：a

本报告旨在介绍由吉林大学仪器科学与电气工程学院、智能仪器与测控技术研究所的Genyuan Xing、Kunyang Wu、Siaoyuan Shao、Huanyu Zhao、Yang Liu、Jun Lin与Guanyu Zhang共同完成的一项前沿研究工作。该研究成果以论文“DO-Removal: Dynamic Object Removal for LiDAR-Inertial Odometry Enabled by Front-End Real-Time Strategy”的形式，发表于2025年5月1日的 IEEE Internet of Things Journal 第12卷第9期。这项研究专注于解决动态环境下的同时定位与地图构建（Simultaneous Localization and Mapping， SLAM）问题，提出了一种创新的在线动态物体移除方法，显著提升了激光雷达惯性里程计（LiDAR-Inertial Odometry， LIO）系统的精度与鲁棒性。

研究的学术背景

SLAM技术是移动机器人在未知环境中实现自主定位、导航与建图的核心。其中，基于激光雷达（LiDAR）的SLAM系统因其在室外场景下稳定、精确的测距能力和环境适应性而成为主流方案。以LOAM为代表的一系列经典方法通过提取和匹配点云中的线（边）特征和面（平面）特征，实现了低漂移的实时状态估计。然而，绝大多数现有LiDAR SLAM系统都基于一个关键的先验假设：环境是静态的。这一假设在真实的动态现实世界（如存在车辆、行人等运动物体的城市道路）中往往不成立。动态物体的存在会对SLAM的三个主要阶段产生负面影响：1) 前端配准：运动物体会破坏配准算法依赖的静态前提，引入错误匹配；2) 地图构建：动态物体会在全局地图中留下“鬼影”（Ghosting），污染地图，影响其用于导航的可行区域提取和可信度；3) 重定位：动态物体导致不同时刻扫描的场景发生变化，使得当前扫描与历史地图特征关联困难，造成定位失败。

为应对动态物体挑战，学界主要有两种思路：在线实时滤波 与后处理滤波。在线方法在SLAM运行过程中实时检测并移除动态物体，能避免动态数据污染建图过程，但对算法的实时性和效率要求极高。后处理方法则是在全局地图构建完成后，再进行动态物体的筛选与过滤，虽不受时间效率限制，但其根本缺陷在于：在构建全局地图的过程中，包含动态物体的点云已被用于位姿估计与优化，导致生成的地图本身已被污染，形成了一个“先有鸡还是先有蛋”的难题。因此，开发一种高效、准确的在线动态物体移除方法，从源头净化输入SLAM系统的点云数据，对于提升动态环境下SLAM系统的性能具有重要的理论和应用价值。本研究的目标正是设计并实现一种集成于激光雷达惯性SLAM前端的在线动态物体移除系统（DO-Removal），在特征提取与匹配之前，分离动态与静态点云，为后续SLAM流程提供纯净的静态数据输入，从而提高整个系统的定位精度、地图一致性以及环境适应性。

详细的研究流程与方法

本研究提出了一套完整的、包含在线动态物体移除功能的激光雷达惯性SLAM系统框架。其工作流程主要包括以下几个核心模块：

1. IMU预积分模块：此模块处理高频的IMU测量数据（角速度和加速度），通过在关键帧之间进行预积分，提供高频率的位姿变化估计。其主要作用有两个：一是为后续的激光雷达点云运动畸变补偿提供高频位姿预测；二是在因子图优化中，提供IMU预积分因子，与激光雷达里程计因子、回环检测因子共同约束系统的状态估计。模块考虑了IMU的偏置（Bias）和噪声，通过预积分理论计算出相邻关键帧之间的相对旋转、速度和位置变化，形成紧耦合优化的基础。

2. 激光雷达点云分割与动态目标移除模块：这是本研究方法的核心创新部分，旨在在线识别并滤除点云中的动态物体。该模块包含一系列精细化步骤：

• 时空同步与运动补偿：首先，利用IMU预积分提供的位姿信息，将单个扫描周期内因平台运动而产生畸变的点云，全部投影到该扫描周期结束的同一时刻，形成一个无运动畸变的点云集合，为后续的精确处理奠定基础。
• 点云下采样与投影：为了降低计算复杂度，对原始稠密点云进行下采样。通过将点云映射到预设的3D虚拟网格中，确保每个网格内仅保留一个代表性点，从而生成稀疏点云，提升处理效率。
• 地面拟合：利用主成分分析（PCA）方法对点云进行处理，估计地平面的方向和高度。首先将点云投影到2D网格，计算每个网格内点的高度统计信息，初步筛选可能的地面点。然后对筛选出的点集进行PCA，最大特征值对应的特征向量即代表了地平面的主方向（法向量）。地平面的状态（位置和方向）会随着新帧的信息进行自适应更新。
• 点云校正：根据地面拟合得到的地面法向量和高度信息，构建旋转矩阵，将当前帧点云旋转，使地平面与水平面（Z轴）对齐，同时将地面高度校正为零。这一步标准化了点云的姿态，简化了后续基于高度的分割操作。
• 地面粗分割：在校正后的点云中，利用相对高度差和绝对高度约束，快速、粗略地分离出属于地面的点云。具体方法是构建一个2D网格地图，记录每个网格的最小高度值，然后将每个点的高度与该网格的最小高度进行比较，若在容许阈值内且满足绝对高度限制，则标记为地面点。
• 动态物体激光雷达点云移除：这是动态移除的关键算法。其过程分为两步：
  • 前景-背景分离：基于校正后的高度信息，选取位于特定高度区间内的点作为“种子点”，然后通过区域生长算法，将高度相近且空间相邻的点聚类归类为背景（主要是地面及其附着物）。
  • 静态-动态元素分离：对于非背景点（前景），算法选择具有显著几何特征的点作为新的种子点进行区域生长，以聚类出潜在的物体（如车辆、行人）。为了区分静态物体（如停放的汽车）和动态物体，算法引入了一种置信度评估机制。它利用聚类结果，并结合射线投射（Ray Casting）原理进行分析：如果从一个新视角扫描时，激光束穿过了之前被标记为物体的区域（即该区域变得“可穿透”），则表明该物体可能已经移动，从而将其对应的点云标记为动态。算法还会根据点的位置动态调整区域生长的搜索半径，并利用邻域信息的标签平滑处理来保证分类结果的空间一致性。

3. 新颖的特征提取方法：在移除动态点云后，对剩余的静态点云进行特征提取。本研究提出了一种创新的多线激光雷达点云特征提取方法。与传统方法仅计算单根扫描线上的局部曲率不同，该方法同时考虑上下文光束（Context Beams），即相邻扫描线上的点云。它定义了一个局部深度变化率，并采用了一种考虑空间距离和深度差异的双重加权累积求和方式来计算曲率。这种方法能增强特征提取结果的显著性，特别是在结构复杂或存在噪声的场景中。根据计算出的曲率值，点云被分类为边缘特征点（边点）和平面特征点（面点）。

4. 特征关联与地图构建模块：提取特征后，系统在连续帧的静态特征之间建立几何约束进行匹配。对于边点，构建点到线的距离残差；对于面点，构建点到面的距离残差。本研究进一步提出了一种基于距离截断的自适应残差优化函数。根据特征点的测量距离动态调整其残差的权重：对于近距离点，适当降低权重以减少传感器噪声和动态残留的影响；对于中远距离点，则根据其距离给予不同的权重分配。这种策略区分了不同距离特征点的贡献，使优化过程更加鲁棒。最后，系统采用因子图优化框架（如iSAM），将激光雷达里程计因子、IMU预积分因子以及回环检测因子进行紧耦合联合优化，输出精确的位姿估计，并利用优化后的位姿和静态点云增量式地构建全局一致的点云地图。整个动态物体移除的集成流程在算法3中进行了概括。

主要研究结果

研究团队在公开数据集和自采数据集上进行了广泛的实验验证，结果充分证明了DO-Removal方法的有效性。

1. KITTI Odometry数据集验证：在KITTI数据集的00-10序列上，将DO-Removal与多种前沿的SLAM算法（如LOAM、F-LOAM、SUMA++、LO-Net等）进行了定量比较。评价指标采用绝对轨迹误差（Absolute Trajectory Error, ATE）和绝对旋转误差（Absolute Rotation Error, ARE）。实验结果表明： * 消融实验：即使不启用动态物体移除模块，本文提出的基础框架（得益于新颖的特征提取和优化策略）也能取得平均ATE 0.59% 和平均ARE 0.25°/100m的优异成绩。在引入回环检测和动态物体移除模块后，性能得到显著提升，平均ATE降至0.51%，平均ARE降至0.19°/100m，达到了极具竞争力的水平。 * 轨迹一致性：如图9所示，在包含回环的场景（如序列00、05），DO-Removal估计的轨迹与真实轨迹高度一致，误差分布均匀且数值小。在无回环的长序列（如序列01、03、04、09、10）中，动态物体移除模块的作用尤为关键。数据显示，启用该模块后，轨迹精度平均提升16%，在高速场景的序列01中，轨迹误差和峰值误差分别降低了40%和34%。这证实了动态物体是导致无回环场景下误差累积的重要因素，而在线移除能有效遏制这种漂移。 * 误差分析：如图11所示，在形成闭环的轨迹上，误差峰值低且分布集中；而在无闭环轨迹上，会出现孤立的误差尖峰，但这些尖峰的出现频率很低（%），说明动态移除和优化框架能有效控制大部分误差，极端误差仅发生在特定无约束路段。

2. 动态物体移除效果可视化：研究选取了KITTI数据集中包含高速同向行驶、低速自行车、垂直穿行等多种动态场景的序列进行定性分析。如图10所示，DO-Removal方法能够有效地实时检测并移除运动中的车辆、自行车等动态物体。特别是在与采集车同速行驶的车辆（相对静止）场景下，传统方法难以将其与静态障碍物区分，而本方法通过多帧分析和射线穿透检验，仍能成功识别并处理，避免了“鬼影”在地图中的遗留。移除动态物体后构建的地图更加清晰、纯净，提升了地图的导航可用性。

3. 实时性能分析：为评估算法实用性，研究者测试了处理每帧点云的耗时。如图12所示，在不开启动态移除模块时，平均每帧处理时间约为20毫秒（50帧/秒）。开启动态移除模块后，处理时间增加至约35毫秒（约30帧/秒）。考虑到典型激光雷达帧率为10赫兹，该算法完全满足实时性要求，证明了其在实际机器人平台部署的可行性。

4. 真实机器人平台验证：利用搭载32线激光雷达和IMU的履带式移动平台，在野外环境采集数据并运行DO-Removal系统。如图13所示，系统成功构建了全局一致、无动态物体干扰的3D点云地图，验证了该方法在真实复杂场景下的有效性和泛化能力。

研究结论与价值

本研究成功实现了一种集成于激光雷达惯性SLAM系统前端的在线动态元素移除功能。该系统通过在点云特征提取与匹配之前，利用地面拟合、区域生长、聚类分析和置信度评估等一系列算法，有效区分并滤除动态点云，为后续SLAM流程提供了“纯净”的静态数据输入。同时，提出的考虑上下文光束的特征提取方法以及基于距离的自适应残差加权策略，进一步提升了系统的精度和鲁棒性。后端采用因子图优化进行紧耦合状态估计，最终实现了动态环境下高一致性的点云地图构建。

该研究的科学价值在于，它针对动态环境SLAM这一经典难题，提供了一种高效、实用的在线解决方案，突破了传统方法对静态环境假设的依赖，推动了LiDAR SLAM技术在更复杂、更真实场景下的应用。其应用价值显著，能够直接提升自动驾驶汽车、移动机器人、无人机等智能体在充满行人和车辆的城市环境、物流仓库等动态场景中的定位精度、导航安全性和地图可靠性。此外，该方法对非刚性动态物体也表现出良好的检测潜力，通过多层次特征分析和灵活的参数设置，能够识别具有细微运动和形状变化的动态目标。

研究亮点

1. 创新的前端在线动态移除架构：将动态物体移除置于SLAM流程的最前端，从根本上避免了动态数据对位姿估计和地图构建的污染，解决了后处理方法固有的“先污染后治理”悖论。
2. 基于区域生长与置信度评估的动态分离算法：提出了一种结合几何特征种子点、自适应区域生长以及基于聚类和射线穿透检验的置信度重评估机制，能够有效区分静态障碍物与动态物体，减少了误移除和漏检。
3. 考虑上下文光束的特征提取：突破了传统单线曲率计算的局限，引入相邻扫描线的点云信息进行特征计算，增强了特征点的显著性和鲁棒性。
4. 自适应距离加权残差优化：在特征匹配的残差函数中，创新性地根据特征点距离动态调整其权重，优化了不同距离特征对位姿估计的贡献度，提升了系统整体精度。
5. 全面的实验验证与性能均衡：不仅在权威公开数据集上取得了领先的定量结果，还进行了详细的消融实验、场景分析、实时性能测试以及真实平台验证，充分证明了方法在精度、鲁棒性和实时性方面的优异综合性能。

这项研究为动态环境下鲁棒激光雷达SLAM技术的发展提供了重要的理论参考和工程实践范例，具有较高的学术影响力与应用前景。