现有的基于3D点的动态点检测和移除方法存在显著的时间开销，使其难以适应激光雷达-惯性测程系统。《A Fast Dynamic Point Detection Method for LiDAR-Inertial Odometry in Driving Scenarios》提出了一种基于标签一致性的动态点检测和移除方法，以处理自动驾驶场景中的移动车辆和行人，并将所提出的动态点检测和移除方法嵌入到自设计的激光雷达-惯性测程系统中。在三个公共数据集上的实验结果表明，我们的方法能够在LIO系统中以极低的计算开销（即1∼9毫秒）完成动态点的检测和移除，同时在动态点的保留率和拒绝率方面与最先进的方法相当，并显著提高了位姿估计的准确性。相关的代码已经在Github上开源了。
本工作的主要贡献有三方面：
- 本文提出了一种基于标签一致性的动态点检测和移除方法，该方法能够以相对较低的计算成本检测和移除动态点；
- 本文将基于标签一致性的动态点检测和移除方法融入到激光雷达-惯性测程系统中，从而提高了位姿估计的准确性；
- 本文已发布此工作的源代码，以供社区使用。
我们用 、 和 分别表示世界坐标系、激光雷达坐标系和惯性测量单元（IMU）坐标系中的三维点。世界坐标系与起始位置的 重合。
我们将第 次 IMU 测量时刻 的 IMU 坐标表示为 ，则从 到 的变换矩阵（即外部参数）表示为 ，其中 由旋转矩阵 和平移向量 组成。通常假设外部参数矩阵 已经在离线阶段进行了足够准确的标定，因此在后续过程中不再进一步优化。因此，我们将 简化为 。
图 2 展示了我们系统的框架，该系统由四个主要模块组成：云处理、静态初始化、基于 ESIKF 的状态估计和动态点移除。云处理模块将地面点从当前输入的点云数据中分离出来，并为每个三维点分配标签，指示其为“地面点”或“非地面点”。随后，它执行空间下采样，以确保当前点云的均匀密度。静态初始化模块利用 IMU 测量来估计一些状态参数，如重力加速度、加速度计偏差、陀螺仪偏差和初始速度。基于 ESIKF 的状态估计模块估计当前扫描的状态，其执行过程与 SR-LIO [24] 的状态估计模块完全一致。在点云配准过程中，所有最近邻查询操作均在跟踪地图上进行。动态点移除模块使用基于标签一致性的动态点检测方法来检测动态点，并在地图更新过程中将其移除，以确保地图仅包含静态点。整个系统维护两个全局地图：跟踪地图和输出地图。前者用于状态估计，而后者则作为最终重建结果。与跟踪地图相比，输出地图中的动态点经过更彻底的过滤。为了管理跟踪地图和输出地图，我们采用了 Hash 体素地图，这与 CT-ICP [5] 相同。白色矩形的各个部分的实现细节与我们之前的工作 SR-LIO [24] 完全相同，因此我们省略了对这些部分的介绍，仅在第 4 节中介绍与动态点检测和移除相关的黄色矩形的细节。
图 2. 我们的动态 LIO 概述，该系统由四个主要模块组成：云处理、静态初始化、基于 ESIKF 的状态估计和动态点移除。黄色矩形表示与动态点检测和移除相关的系统操作。
4.1 地面拟合
我们采用与 LeGO-LOAM [14] 相同的地面分割方法，以极低的计算成本将地面点从当前输入的扫描中分离出来，这对于 LIO 系统来说是非常重要的。图 3 展示了地面点分离的可视化，其中橙色点被标记为“地面点”，白色点被标记为“非地面点”。
图 3. 当前输入扫描中地面点分离的可视化。橙色点表示地面点，白色点表示非地面点。
4.2 背景分离
在执行标签一致性检测的过程中，有必要为当前扫描中的每个点找到最近邻。靠近车辆平台的点能够可靠地找到其最近邻，而远离车辆平台的点可能由于其位置尚未重建而无法找到最近邻。我们设定了一个 30 米的阈值，将距离车辆平台 30 米以内的点定义为前点，超过 30 米的点定义为后点。对于前点和后点，我们采用基于标签一致性的动态点检测方案，这些方案专门针对它们的特性进行定制。