香港中文大学机械与自动化工程系的Kangcheng Liu和Huosen Ou在2022年7月9日至11日举办的IEEE国际先进机器人与机电一体化会议（ICARM）上发表了题为《A Light-weight LiDAR-Inertial SLAM System with High Efficiency and Loop Closure Detection Capacity》的研究论文。该研究针对当前激光雷达-惯性SLAM（同步定位与建图）系统在闭环检测（loop closure）性能不足、大规模场景下效率低下等问题，提出了一种轻量化的高效解决方案。

学术背景

激光雷达（LiDAR）作为三维感知的核心传感器，在机器人导航、电网巡检、建筑检测等领域具有重要应用价值。然而，现有主流LiDAR-Inertial SLAM系统（如LOAM、LEGO-LOAM、LIO-SAM）存在两大瓶颈：
1. 效率问题：单帧点云处理耗时约100毫秒（10Hz），难以匹配固态激光雷达（如Livox）超过100Hz的采集频率；
2. 闭环检测失效：复杂大尺度场景（如隧道、城市道路）中易因漂移（drifting）导致定位失败。

研究目标是通过改进数据结构与引入深度学习闭环检测，构建兼具高效性与鲁棒性的轻量化SLAM系统。

研究方法与流程

1. 高效数据结构设计（S-Voxel）

• 动机：传统KD树（KD-tree）和VDB（Voxel Dynamic B-tree）结构在增量式点云注册中效率不足。
  
• 创新点：提出稀疏体素哈希（Sparse Voxel-Hashing, S-Voxel）结构，通过空间哈希函数将体素坐标映射为键值，实现快速近邻查询。包含两种变体：
  
  • 线性S-Voxel：直接存储体素内点云；
    
  • 曲线S-Voxel：基于空间填充曲线（Space-Filling Curve）索引，适合高密度点云。
    
• 优势：自然支持范围限制查询、增量更新和GPU并行化，实验显示其查询效率显著优于KD树和VDB（62.36 ms/帧 vs 91.62 ms/帧）。

2. 基于学习的闭环检测（FG-LC-Net）

• 网络架构：采用FG-Conv算子构建多分辨率点云编码-解码器，融合语义分割与对象分类任务（如图5）。
  
• 训练参数：学习率5×10⁻⁴，权重衰减0.985/epoch，训练280轮次，基于PyTorch实现。
  
• 性能：在隧道环境中闭环检测成功率100%（对比LPD-Net的71.4%），且仅增加边际计算成本。

3. 系统集成与实验验证

• 硬件平台：NVIDIA Jetson TX2/Xavier嵌入式GPU。
  
• 实验场景：
  
  • 自动驾驶场景（1000m×150m）：平均定位误差11.96 cm，优于LIO-SAM（13.13 cm）；
    
  • 校园环境（450m×600m）与隧道场景：均实现厘米级建图精度（表I、III）。
    

主要结果

1. 效率提升：S-Voxel将单帧处理时间从基线方法（如LEGO-LOAM的97.9 ms）降低至62.36 ms，同时误差减少14.1%（表I）。
   
2. 闭环检测优化：FG-LC-Net在复杂场景（如隧道）的闭环成功率从传统方法的40%提升至100%（表III）。
   
3. 系统轻量化：整体算法在资源受限设备上实时运行，支持同时执行路径规划、目标检测等任务。
   

结论与价值

1. 科学价值：
   
   • S-Voxel为增量式点云注册提供了新型数据结构范式；
     
   • FG-LC-Net证明了深度学习在三维闭环检测中的泛化能力。
     
2. 应用价值：系统已部署于香港隧道巡检项目，支持无人机/地面车辆在狭窄空间内的全自主导航（图6）。
   

研究亮点

1. 方法创新：首次将稀疏体素哈希与深度学习闭环检测结合，解决SLAM系统的效率-精度权衡问题。
   
2. 实验规模：覆盖室内外、隧道等复杂场景，数据规模远超仿真测试（如1000m道路重建）。
   
3. 开源贡献：相关算法FG-Net已开源（引用[1][2]），推动领域技术迭代。
   

其他价值

• 跨领域应用：重建的三维地图可扩展至建筑缺陷检测、城市建模等（引用[4][5]）。
  
• 硬件兼容性：适配多种消费级激光雷达，降低工业部署成本。
  

（注：全文引用格式遵循IEEE标准，具体文献见原文参考文献列表。）