该文档发表于 IEEE Sensors Journal 期刊，第 23 卷第 20 期，2023 年 10 月 15 日，报告了一项名为 DOR-LINS 的原创性研究工作。以下是对该研究的学术报告。

DOR-LINS：一种基于地面伪占用的动态物体移除激光雷达惯性SLAM系统

本研究由来自北京理工大学的 Zhoubo Wang、Zhenhai Zhang、Miusi Wu、Siyu Chen、Qilin Li 以及来自中国北方车辆研究所的 Xiao Kang 共同完成，并于 2023 年发表于 IEEE Sensors Journal 期刊。

一、 研究背景与目标

本研究属于机器人学和自动驾驶领域，核心是解决同时定位与地图构建（Simultaneous Localization and Mapping， SLAM）技术在动态城市环境中的挑战。SLAM 是自主车辆在未知环境中实现精确定位的基础能力。然而，在实际城市环境中，行人、自行车、车辆等移动物体的存在会严重影响 SLAM 的定位精度，并在地图中留下“鬼影”（ghost trails）。因此，实时移除动态物体对于提升 SLAM 系统的鲁棒性和准确性至关重要。近年来，虽然涌现了许多优秀的激光雷达-惯性SLAM系统，如 LOAM、LIO-SAM、FAST-LIO等，但它们大多基于环境静态的假设，难以应对动态场景。

现有移除动态对象的方法面临不同挑战：基于深度学习语义分割的方法（如 SuMa++）难以区分实际移动物体（如行驶中的汽车）和静态但可移动物体（如停放的车辆）；基于无监督学习的方法需要大量训练数据，且对新环境的动态物体识别能力有限；基于体素（voxel）或可见性（visibility）的方法则存在计算量大（难以实时运行）或对运动模糊敏感等问题。ERASOR 是一种非基于可见性的离线静态地图构建方法，其性能优异，但同样不具备实时性。

为此，本研究提出了 DOR-LINS（Dynamic Objects Removal LiDAR-Inertial SLAM），一个实时的移动物体移除框架。其目标是在 LIO-SAM 的基础上，集成动态物体移除能力，实现在动态环境中移除大部分动态物体，并获得精确的里程计估计。本研究的贡献主要体现在三个方面：1）提出了利用地面点云改进的区域伪占用描述符；2）提出了一种结合光束追踪测试（Beam Tracing Test, BTT）和扫描比测试（Scan Ratio Test, SRT）的候选动态单元检测方法；3）提出了一种动态点验证算法。

二、 研究方法与工作流程

DOR-LINS 在 LIO-SAM 的框架上进行扩展，主要在特征提取和建图两个模块中集成了动态物体移除流程。整体流程包括以下几个步骤：

1. 地面点提取与聚类：首先，采用 Patchwork++ 方法对当前激光雷达扫描点云进行分割，得到地面点（ground points）与非地面点（non-ground points）。为了解决 Patchwork++ 可能产生的误分类问题，研究提出了一种简单的后处理方法：在每个区域（bin）内计算地面点的平均高度（z轴值），并移除高度显著高于该平均值的异常点。随后，对非地面点进行两步聚类：第一步，将高度高于预设阈值的点（如树木、建筑）通过欧氏距离聚类并标记为静态簇；第二步，将剩余的非地面点聚类并标记为候选动态簇。这一步基于城市环境中高大物体通常静止的先验知识。

2. 构建区域地面伪占用描述符：研究采用同心区域模型将当前扫描和由历史关键帧构成的局部子地图（submap）分别划分成多个单元（bin）。为每个单元定义了一种区域地面伪占用描述符。该描述符的计算不仅考虑了单元内所有点的最大与最小高度差（类似 ERASOR 中的 R-POD），还巧妙地引入了地面点高度信息进行校准。具体而言，对于子地图中的单元，其描述符值是该单元内所有关键帧点云的 z 轴高度值（相对于该关键帧在该单元内地面点的平均高度）的范围差。对于当前扫描的单元，计算方式类似，但参考的是当前扫描在该单元内的地面点平均高度。这种设计旨在减小由惯性测量单元（IMU）里程计预测位姿误差带来的 z 轴方向差异影响，从而更准确地描述单元的空间占用情况。

3. 检测候选动态与静态单元：此步骤结合了两种测试方法。

   • 扫描比测试：对于当前扫描和子地图中一对对应的单元，计算其 R-GPOD 值的比值。比值接近 1 表明该区域稳定（候选静态单元），比值过低则表明存在显著变化（候选动态单元）。实验设定动态阈值为 0.3，静态阈值为 0.7。
   • 光束追踪测试：SRT 要求两个单元都必须被占据，但当当前扫描的单元为空而子地图中对应单元被占据时，SRT 会失效。BTT 就是为了解决这个问题而提出的。其原理类似于光线投射：对于子地图中被占据的单元，计算从传感器原点到该单元顶部和底部的垂直角度，确定理论上应击中该单元的激光光束束。然后检查在当前扫描中，这些光束束在到达该单元之前是否击中了任何非地面点。如果没有任何非地面点阻挡（即光束“错过”了该单元），则该单元被判定为候选动态单元。BTT 能够有效地从子地图中检测出因物体移走而遗留的“鬼影”区域。

4. 动态点验证与移除：获得候选动态单元和候选静态单元后，需要验证其中的点云是真正的动态点还是静态点。算法遍历每一个候选动态簇。对于一个簇，计算其内部被标记为候选动态点和候选静态点的比例。如果候选动态点比例超过阈值（如 0.6），则判定该簇为动态簇；如果候选静态点比例超过阈值（如 0.6），则判定为静态簇。对于子地图中的候选动态单元，则提取其中属于候选动态簇的点，并将其移除。通过这种方式，动态点从当前扫描和子地图中被滤除。

5. LIO 子系统与状态估计：在移除动态点后，从净化后的当前扫描和子地图中提取边缘和平面特征。利用 IMU 预积分提供的运动预测，将这些特征转换到世界坐标系下，并通过扫描匹配（scan-matching）来优化当前帧的位姿，生成激光雷达里程计因子。这些因子与 IMU 预积分因子、闭环因子一起加入到因子图中进行全局优化，最终输出高精度的位姿估计和静态地图。

三、 主要实验结果

研究在公开的 UrbanLoco 数据集上进行了全面测试，该数据集包含旧金山和香港密集城市场景，具有丰富的动态物体（行人、车辆、自行车等）。

1. 动态点移除测试：将 DOR-LINS 与当前先进的离线方法 ERASOR 进行了对比。评价指标包括静态点保留率（PR）、动态点拒绝率（RR）和 F1 分数。实验选取了 Camarketstreet 数据集的三个序列。结果显示，虽然 ERASOR 具有更高的动态点拒绝率，但它错误地移除了大量静态点，导致其静态点保留率较低。而 DOR-LINS 在保持较高动态点拒绝率的同时，显著提高了静态点保留率，因此在所有测试序列上都取得了更高的 F1 分数。这表明 DOR-LINS 在区分动态与静态点方面更加准确，受运动模糊的影响更小。

2. 里程计精度与运行时间测试：将 DOR-LINS 与 LIO-SAM 和 LIO-SEGMOT 在多个数据集上进行了轨迹精度对比。评价指标为绝对轨迹误差的均方根误差（ATE RMSE）。实验结果表明，在六个数据集中的大多数情况下，DOR-LINS 的轨迹精度最高。特别是在动态物体多、行驶距离长的 Camarketstreet 序列中，DOR-LINS 比 LIO-SAM 的精度提升了 60.02%，证明了动态物体移除对提升定位精度的巨大价值。而 LIO-SEGMOT 由于不是实时系统，其建图线程会随时间变慢，影响因子图优化，在部分序列上表现不佳甚至运行失败。

3. 实时性分析：实时能力是 SLAM 系统的重要指标。研究对比了 DOR-LINS 和 LIO-SEGMOT 在特征提取线程和建图线程的运行时间。结果显示，DOR-LINS 的特征提取线程因增加了地面提取和物体聚类，略慢于 LIO-SEGMOT，但仍能保证实时性（低于激光雷达数据输出频率 100ms）。而在关键的建图线程，DOR-LINS 表现出了显著优势，在所有数据集上的计算时间均稳定在 100ms 以内，确保了整个系统的实时运行能力。相比之下，LIO-SEGMOT 的建图线程耗时可能超过 3 秒，导致其实时性不足。

四、 结论与意义

本研究提出的 DOR-LINS 框架，成功实现了一个能够实时移除动态物体的激光雷达-惯性 SLAM 系统。其科学价值在于，提出了一套不依赖于先验训练数据、不局限于特定类型运动物体的通用化动态点云滤除方法。通过创新的地面伪占用描述符、结合光束追踪与扫描比的双重检测机制以及动态点验证算法，该系统在复杂的动态城市场景中，能够有效区分并移除动态物体，同时最大限度地保留静态结构信息。

该研究的应用价值显著，为自动驾驶车辆在真实动态环境中的鲁棒定位与高精度静态地图构建提供了可行的解决方案。通过提升 SLAM 在动态场景下的精度和可靠性，直接助力于自动驾驶的导航、路径规划和决策安全。

五、 研究亮点

1. 实时性：这是 DOR-LINS 最核心的亮点之一。与许多优秀的离线动态移除方法（如 ERASOR）或非实时系统（如 LIO-SEGMOT）相比，DOR-LINS 在保证高精度动态移除的同时，实现了全流程的实时处理，使其更适合车载在线应用。
2. 方法创新性：
   • 地面伪占用描述符：通过引入地面点高度信息对传统占用描述符进行校准，降低了位姿估计误差带来的影响，提高了对单元状态描述的鲁棒性。
   • 光束追踪测试：创造性解决了当当前扫描为空而子地图被占据时的动态单元检测难题，有效清除了子地图中遗留的动态物体“鬼影”。
   • 动态点验证算法：基于聚类级别的统计分析（动态/静态点比例）来最终判定物体属性，而不是孤立地判断单个点，提高了决策的可靠性。
3. 优异的综合性能：实验证明，DOR-LINS 在动态点移除的准确性（更高的 F1 分数）和 SLAM 轨迹估计的精度上，均优于或媲美当前先进的方法，同时在计算效率上满足实时性要求，体现了其方法的有效性和实用性。
4. 无需监督学习：整个系统不依赖于任何预先训练的深度学习模型，避免了数据收集和标注的成本，也增强了对未知或新环境中新型动态物体的泛化能力。

六、 其他有价值的点

研究也指出了当前方法的局限性：在特定具有挑战性的环境中（例如地面提取困难的环境），其地面提取步骤可能失效，进而影响整个动态移除流程的效果。这指明了未来研究的一个潜在改进方向，即需要进一步提升地面分割模块在极端或复杂地形下的鲁棒性。总体而言，DOR-LINS 是动态 SLAM 领域一个兼具创新性、实用性和高效性的重要工作。