点击下方卡片，关注「3D视觉工坊」公众号
选择星标，干货第一时间送达
来源：3D视觉工坊
「3D视觉从入门到精通」知识星球(点开有惊喜) ！星球内新增20多门3D视觉系统课程、入门环境配置教程、多场顶会直播、顶会论文最新解读、3D视觉算法源码、求职招聘等。想要入门3D视觉、做项目、搞科研，欢迎加入！
一、这篇文章干了啥？
本文提出R-VoxelMap，一种新型体素映射方法，通过几何驱动的递归平面拟合策略构建精确体素地图，提升在线激光雷达里程计的定位精度。VoxelMap及其变体因使用体素内所有点拟合校验平面，存在异常值导致参数偏差、大型平面过度分割、不同物理平面错误合并等问题。R-VoxelMap采用基于异常值检测与复用流程的几何驱动递归构建策略，先通过RANSAC算法为每个体素拟合精确平面并分离异常值，再将异常值传递至八叉树深层递归处理，同时设计基于点分布的有效性校验算法防止平面错误合并。多开源激光雷达（-惯性）SLAM数据集实验表明，该方法定位精度更高，效率和内存占用与主流方法相当，代码将在GitHub公开。
标题：
R-VoxelMap: Accurate Voxel Mapping with Recursive Plane Fitting for Online LiDAR Odometry
论文：https://arxiv.org/pdf/2601.12377
代码：https://github.com/NKU-MobFly-Robotics/R-VoxelMap
二、引言
3D激光雷达技术的快速发展推动了激光雷达（-惯性）里程计的广泛应用。主流里程计方法依赖能精准表征环境、高效维护配准的地图结构，k-d树虽经典但KNN搜索耗时、树更新复杂，而基于体素的方法通过空间划分和哈希实现快速匹配，成为主流。
VoxelMap作为常用体素地图结构，利用概率平面特征提升精度和效率，但存在两大局限：一是对异常值敏感，少量异常值会扭曲平面参数，严格阈值又会导致平面过度分割；二是不同物理表面的点可能被错误合并，造成地图失真（见图1）。
图1 VoxelMap平面特征存在的问题及本方法的改进效果注：(a)为点云，(b)为本方法结果，(c)宽松阈值下VoxelMap的黄色标记平面因异常值偏移，(d)严格阈值下VoxelMap的白色框内平面过度分割、红色标记区域平面错误合并。
为此，本文提出R-VoxelMap，在由粗到细的平面特征提取中融入异常值检测与复用流程，抑制异常值影响，同时保留多尺度几何信息，提升里程计精度。核心贡献包括：新型递归构建的平面特征体素地图结构R-VoxelMap、基于点分布的平面有效性校验算法、多数据集验证的高精度性能。
图2 基于R-VoxelMap的激光雷达里程计系统概述：红色高亮为R-VoxelMap核心模块，蓝色为支持其基本功能的模块。
三、方法
3.1系统概述
R-VoxelMap由带概率平面的体素组成，嵌入IEKF框架实现位姿估计，无IMU时可作为独立激光雷达里程计使用恒速模型。其底层为位置键哈希表，每个键对应低分辨率体素的八叉树，体素可自适应细分子体素，八叉树所有节点均能存储点和概率平面（见图3）。
图3 R-VoxelMap与VoxelMap构建过程对比：上半部分为VoxelMap构建，下半部分为本方法，本方法通过异常值检测复用和平面有效性校验解决VoxelMap的问题。
3.2、R-VoxelMap构建
采用异常值检测与复用的递归地图构建方法：对低分辨率体素内点云，通过RANSAC算法分离内点和异常值，内点比例达标则估计平面参数，经特征值分解得到法向量，再通过有效性校验筛选几何一致的平面，异常值则细分后递归处理，直至所有点成为内点或达到八叉树最大深度。
3.3、平面有效性校验
为避免RANSAC算法错误合并不同平面的点，将RANSAC拟合平面作为参考，离散化为网格并投影内点，聚类后选择点数最多的聚类，达标则重新拟合平面，否则所有点归为异常值。
图4 基于点分布的平面有效性校验流程：（a）获取RANSAC拟合的候选平面，（b）投影内点并统计网格点数，（c）聚类占用网格，（d）选择最优聚类重新拟合平面。
3.4、地图更新与八叉树重建
采用增量更新策略，新点分配至现有八叉树后，增量计算平面参数，达标则更新，否则存入非平面点集。累积足够点后定期重建八叉树，借助链表存储高效访问点，同时通过LRU缓存控制内存占用。
3.5、用于状态估计的点-平面匹配
扫描-地图匹配中，将对应低分辨率体素内所有平面作为候选，构建点-平面距离测量方程，计算测量噪声方差和点属于平面的概率，选择概率最高的候选平面，融合先验信息通过MAP推理实现状态估计。
四、实验
4.1、实验设置
实验数据集包括KITTI、M2DGR、M3DGR、NTU VIRAL和自行采集的AVIA数据集（见表1），对比方法有Fast-LIO2、Faster-LIO等主流算法，所有方法采用相同预处理流程和参数设置，实验环境为Intel i9-13900HX CPU和32GB RAM。
表1 实验所用数据集主要信息（见表中数据集、IMU、激光雷达、平台、场景对应关系）
4.2、精度验证
KITTI数据集：采用ATE的RMSE评估定位精度，R-VoxelMap完整版本平均ATE为2.570米，相对改进超20%，在11个序列中8个取得最佳性能（见表2）。
LIO数据集：M2DGR、NTU VIRAL数据集上，R-VoxelMap在多数序列中表现最优；M3DGR和AVIA数据集的端到端漂移误差验证显示，其在走廊退化环境和非结构化户外场景中仍保持高定位精度（见表3、表4）。
表2 KITTI里程计训练序列精度对比（ATE，单位：米）
表3 M2DGR和NTU VIRAL数据集精度对比（ATE，单位：米）
表4 M3DGR和AVIA数据集端到端误差对比（单位：米）
图5 建图结果对比：（a）（b）为M3DGR数据集上本方法与VoxelMap的建图结果对比，（c）（d）为AVIA数据集上端到端误差对比。）
4.3、运行时间和内存占用
KITTI数据集上，R-VoxelMap在多数序列中计算时间和内存占用低于VoxelMap，虽RANSAC引入额外计算，但通过其他模块优化抵消开销，总计算成本与VoxelMap相当（见表5、表6）。
表5 KITTI数据集运行时间和内存占用对比
表6 KITTI序列00的模块级运行时间对比（单位：毫秒）
4.4、稳定性分析
不同随机种子实验表明，R-VoxelMap定位精度始终优于VoxelMap，运行时间保持稳定（见表7）。
表7 不同随机种子下KITTI数据集的精度和运行时间对比
五、结论
R-VoxelMap采用几何驱动的递归地图构建框架，结合异常值检测与复用流程和基于点分布的平面有效性校验，有效减轻异常值影响，防止不同物理平面错误合并。多数据集实验证明，其在不增加处理时间和内存开销的前提下，显著提升了定位精度。未来将进一步降低系统对参数的敏感性，提升在多样环境中的定位精度。
本文仅做学术分享，如有侵权，请联系删文。
3D视觉方向论文辅导来啦！可辅导SCI期刊、CCF会议、本硕博毕设、核心期刊等
3D视觉硬件
3D视觉学习圈子
「3D视觉从入门到精通」知识星球(点开有惊喜)！星球内新增20多门3D视觉系统课程、入门环境配置教程、多场顶会直播、顶会论文最新解读、3D视觉算法源码、求职招聘等。想要入门3D视觉、做项目、搞科研，欢迎扫码加入！
)
)
