基本信息题目COIN-LIO: Complementary Intensity-Augmented LiDAR Inertial Odometry作者Patrick Pfreundschuh, Helen Oleynikova, Cesar Cadena, Roland Siegwart, Olov Andersson单位ETH Zurich Autonomous Systems Lab来源ICRA 2024arXiv:2310.01235研究方向LiDAR-Inertial Odometry强度图像几何退化紧耦合状态估计代码https://github.com/ethz-asl/COIN-LIO官方 README 提到目前主要支持 Ouster LiDAR因为系统依赖 Ouster metadata 中的标定信息来建立强度图投影模型。数据集ENWIDE Dataset面向大范围几何退化环境使用 Ouster OS0 128 线 LiDAR 和内置 IMU 采集并用 Leica MS60 全站仪提供位置真值。摘要COIN-LIO 的核心目标非常明确提升 LiDAR-Inertial Odometry 在几何退化环境中的鲁棒性。所谓几何退化指的是点云几何约束不足的场景例如隧道、平坦场地、大面积平面、跑道、田野等。在这些场景中传统点到平面 ICP 或基于几何特征的 LIO 容易出现某些方向不可观最终导致漂移甚至发散。论文指出即使 FAST-LIO2 这类高效、鲁棒的 LIO 方法在隧道、平坦场地和平面化环境中仍然会遇到困难。COIN-LIO 的思路是不要额外加相机而是把 LiDAR 自身返回的 intensity 强度信息当成一种“主动视觉”信号使用。旋转式多线 LiDAR 除了输出三维点云也会输出每个点的反射强度。作者将这些强度值投影成强度图像然后在 iEKF 框架中同时优化点到平面几何残差和强度图的光度残差从而在几何约束不足时引入互补的纹理约束。一句话总结COIN-LIO 是一个在 FAST-LIO2 框架上扩展的 intensity-augmented LIO 系统它通过 LiDAR 强度图像的光度约束来弥补点云几何退化方向上的观测不足。1. Introduction1.1 研究背景近年来3D LiDAR 的体积和价格不断降低FAST-LIO2 等方法也显著提升了 LiDAR 状态估计的精度、鲁棒性和实时性因此 3D LiDAR 成为 GNSS-denied 环境下移动机器人常用的主传感器之一。但是LiDAR-LIO 的核心仍然依赖点云几何结构。如果环境几何结构不够丰富例如长隧道、空旷田野、大平面墙体或跑道点云配准会出现某些方向约束不足。比如在长隧道中沿隧道方向的平移可能很难被点到平面残差有效约束在平坦场地中高度或某些横向方向也可能缺乏足够几何信息。这类问题就是典型的几何退化。传统解决思路之一是加入相机让视觉纹理补充 LiDAR 几何信息。但相机会带来额外硬件、外参标定、时间同步等问题而且相机是被动传感器在光照不足环境下表现受限。论文指出现代 3D LiDAR 本身已经提供 intensity 返回值对于旋转式多线 LiDAR这些强度信号可以被投影成稠密强度图像使 LiDAR 类似一个不依赖外部光照的“主动相机”。1.2 研究问题本文要解决的问题可以概括为如何在不增加相机等额外传感器的前提下利用 LiDAR 自身的 intensity 信息增强 LIO 在几何退化场景下的鲁棒性这背后的关键挑战是LiDAR intensity 图像并不能直接等价于普通相机图像。论文明确指出强度图存在信噪比低、分辨率低、旋转 LiDAR 带来的 rolling shutter 效应、投影模型不同于传统针孔相机等问题因此不能简单套用视觉里程计中的图像特征跟踪和光度优化方法。2. Related Work2.1 LiDAR Odometry / LiDAR-Inertial Odometry传统 LiDAR Odometry 通常通过当前扫描与局部地图配准来估计位姿。LOAM 是经典方法它提取边缘点和平面点进行配准但在几何结构不足的场景中这些特征往往不够表达环境约束。KISS-ICP 避免显式特征提取直接使用体素降采样后的点云进行点到点 ICPX-ICP 则显式检测配准中的退化方向但需要辅助状态估计。LIO 方法通过融合 IMU 提升了鲁棒性IMU 可以用于点云运动畸变补偿也可以为配准提供初值。LIO-SAM 使用因子图融合 IMU 与 LiDAR 特征FAST-LIO / FAST-LIO2 使用高效的卡尔曼滤波更新将扫描点与持续构建的地图实时对齐。COIN-LIO 正是基于 FAST-LIO2 的点到平面注册框架进行扩展。2.2 Intensity Assisted Odometry已有一些方法尝试使用 LiDAR intensity有的把 intensity 作为 ICP 的相似性度量有的把高强度点作为额外特征类别有的在 intensity 图像上检测并匹配图像特征。论文认为这些方法要么只能影响点云对应关系不能直接在优化中提供光度梯度要么在几何退化场景中只使用少量图像特征导致几何信息被浪费。与 COIN-LIO 最接近的是 RI-LIO。RI-LIO 也将 reflectivity/photometric residual 融入 FAST-LIO2 类似的 iEKF 框架但它采用随机下采样的方式选择单点特征。COIN-LIO 的不同点在于它不是随机选择低分辨率单点而是在滤波后的高分辨率强度图中选择几何互补的显著 patch并持续管理特征有效性。3. MethodCOIN-LIO 的系统结构可以理解为三个部分基于 FAST-LIO2 的几何 LIOLiDAR intensity 图像处理几何互补的强度 patch 选择与光度残差更新。论文中的系统概览图说明输入点云一方面用于几何地图注册另一方面被投影成强度图像用于光度误差最小化几何残差和光度残差最终被组合进同一个迭代滤波更新。3.1 IMU Prediction 与点云去畸变COIN-LIO 沿用 FAST-LIO2 的 Kalman Filter prediction通过 IMU 积分传播状态并把一个 LiDAR scan 内不同时刻采集到的点补偿到统一时刻。这样可以减轻旋转 LiDAR 扫描过程中由于平台运动导致的点云畸变。这一步不是本文最核心的创新但它非常关键。因为 intensity 图像中的不同像素来自 LiDAR 旋转过程中不同时间采集的点如果不考虑运动补偿光度误差本身会被 rolling shutter 效应污染。3.2 Intensity Image Projection把 LiDAR 变成“主动相机”COIN-LIO 将 LiDAR 点的 intensity 返回值投影到二维图像坐标中。由于多线 LiDAR 的垂直线束间隔通常不规则论文没有直接使用普通针孔投影而是根据 LiDAR 的 laser beam 和 encoder value 构建图像并使用 LiDAR 标定中的 beam elevation angle 来处理垂直方向投影。这一点非常重要COIN-LIO 的强度图不是普通 RGB 图也不是简单 spherical projection 后就能直接用于 VO 的图像。它需要结合具体 LiDAR 的扫描模型和标定信息因此这也解释了为什么官方代码目前主要支持 Ouster LiDAR。官方说明中也提到目前系统依赖 Ouster metadata 中的 calibration 信息建立图像投影模型其他传感器理论上可以支持但需要实现对应传感器的 projection model。3.3 Image Processing强度图滤波与亮度一致性增强LiDAR intensity 图像存在两个明显问题第一垂直线束不均匀会带来水平条纹伪影第二intensity 不只取决于表面反射率还会受到距离和入射角影响远处区域强度往往更暗。针对第一个问题作者设计了一个有限冲激响应滤波流程先在垂直方向用 high-pass filter 提取接近条纹频率的成分再在水平方向用 low-pass filter 分离规则条纹最后从原始 intensity 图像中减去这些条纹信号。针对第二个问题作者构建 brightness map用大窗口平均局部 intensity估计图像中的平滑亮度变化再进行亮度补偿使图像在不同距离和不同场景下具有更一致的曝光。最后再使用 3×3 Gaussian kernel 进行平滑降噪。论文图 4 展示了该处理能让远处地面标线、草地纹理等细节更加可见同时削弱条纹伪影。分析这部分是 COIN-LIO 非常值得借鉴的地方。很多使用 intensity 的方法直接把原始 intensity 或 reflectivity 当作额外观测但 COIN-LIO 认为观测质量本身决定了后续优化是否稳定。如果输入强度图存在强烈条纹、曝光不一致、远处细节不可见那么再复杂的优化也很难稳定提取有效约束。换句话说COIN-LIO 的创新不只是“把 intensity 加进优化”而是先把 LiDAR intensity 处理成更适合视觉式跟踪和光度优化的观测形式。3.4 Geometrically Complementary Patch Selection选择“补几何短板”的图像特征这是本文最核心的创新之一。普通图像特征选择通常倾向于选择梯度强、角点明显、纹理丰富的区域。但在 LiDAR-LIO 中作者认为不能只看图像显著性还要看这些图像信息是否与几何约束互补。论文指出很多候选像素来自三维结构边缘、角点或表面反射率变化但是三维结构边缘上的信息可能已经被点到平面几何注册捕获如果继续选择这些区域作为光度特征就会造成信息冗余。COIN-LIO 的目标是优先选择那些能约束几何注册中不可观方向的 intensity patch。具体做法包括根据点到平面几何项的 Hessian 分析主成分检测几何注册中的 uninformative directions在强度图中寻找图像梯度足够强的候选 patch计算如果三维点沿几何不可观方向扰动其投影到图像上会产生怎样的二维位移如果该二维位移方向正好落在 patch 的有效图像梯度方向上则说明这个 patch 可以补充该几何退化方向的信息对每个退化方向选择贡献最大的 patch。分析这一设计的本质是从“强特征选择”转向“互补信息选择”。传统视觉或点云方法往往关注某个模态内部的显著性比如图像梯度强不强、点云曲率大不大、平面残差稳不稳定。但 COIN-LIO 关注的是多模态之间的信息互补关系几何已经能约束的方向光度不必重复几何约束弱的方向才是 intensity 应该重点补充的方向。这对于多传感器融合很有启发。很多系统只是把传感器简单堆叠最后形成“更多观测”而 COIN-LIO 的思路是先分析主模态失效在哪里再让辅助模态精准补足短板。3.5 Feature Managementpatch 生命周期管理COIN-LIO 不是一次性选择 patch 后一直使用而是会持续检查特征有效性。论文中提到系统会限制跟踪 patch 的数量以控制计算量每次更新后检查 patch 是否有效通过比较预测 range 与实际 range 检测遮挡如果测量距离过近或过远也会移除 patch此外还会计算 tracked patch 和 measured patch 之间的 NCC如果低于阈值则删除该 patch。系统也会限制特征最大跟踪帧数以减少误差累积并通过最小距离约束避免特征重叠、改善空间分布。分析这一部分体现了工程系统的成熟度。光度残差非常依赖观测一致性如果遮挡、动态物体、强度变化、错误投影没有被及时剔除很容易把错误约束注入滤波器。COIN-LIO 通过 range check、NCC check、track lifetime、feature distribution 等策略尽量保证光度残差是“可信约束”而不是“噪声来源”。3.6 Photometric Residual Kalman UpdateCOIN-LIO 最终将光度残差与几何点到平面残差一起放入 iEKF 更新。光度误差的计算方式是把已跟踪的三维 patch 点投影到当前 intensity 图像中然后比较当前观测 intensity 与该 patch 存储的 intensity 值。由于旋转 LiDAR 的图像像素是在不同时间采样的作者进一步构建 undistortion image用投影方式快速确定特征点对应的采样时间而不是像 RI-LIO 那样使用 kD-tree 最近邻搜索这样可以在全分辨率点云上更高效地处理 rolling shutter 相关问题。最后系统将点到平面几何残差和 photometric residual 堆叠成统一的 residual vector 和 Jacobian并通过 scaling factor 平衡两类误差的量纲和数值大小然后使用 FAST-LIO2 类似的迭代卡尔曼更新公式更新状态。分析这说明 COIN-LIO 不是 loose coupling。它不是先用 intensity 算一个独立位姿再和 LIO 融合也不是只用 intensity 辅助选点。它把 photometric residual 作为状态估计中的直接约束和几何残差一起参与滤波更新。这种紧耦合方式可以让 intensity 真正为退化方向提供梯度。4. Experiments4.1 实验设置论文将 COIN-LIO 与多种代表性方法对比包括 KISS-ICP、LIO-SAM、FAST-LIO2以及同样使用 intensity/reflectivity 信息的 MD-SLAM、Du and Beltrame 方法、RI-LIO。评价指标包括 Absolute Translational Error 和 10m segment 的 Relative Translational Error并使用 evo 工具计算。实验数据包括两个部分Newer College Dataset公开数据集结构相对丰富但包含 aggressive rotation、stairs 等挑战场景ENWIDE Dataset作者新发布的数据集专门针对大范围几何退化环境包含 Tunnel、Intersection、Runway、Field、Katzensee 五类环境每类包含 smooth 和 dynamic 两种运动序列。ENWIDE 使用手持 Ouster OS0 128 线 LiDAR 与内置 IMU 采集地面真值由 Leica MS60 全站仪记录论文中给出的精度约为 3cm。4.2 Newer College Dataset 结果在 Newer College Dataset 上COIN-LIO 在 Cloister 等结构丰富场景中与其他方法都能取得较低误差在 Quad-Hard 中由于存在 aggressive rotation没有运动补偿的纯 LO 方法表现较差而 COIN-LIO 取得最低 ATE说明其低成本图像运动补偿策略有效。在 Stairs 序列中一些方法因为对点云进行较强空间降采样导致狭窄楼梯环境中的有效信息被过度删除而发散。COIN-LIO 虽然几何部分也使用类似下采样但由于引入了 photometric component仍然保持了鲁棒和准确的表现。作者还报告了运行时间在 Park 序列上COIN-LIO 在 Intel i7-11800H 移动 CPU 上平均每帧 29.7ms约 33Hz其中 photometric component 仅消耗 6.2ms主要计算开销仍来自传统几何部分。分析这说明 COIN-LIO 的强度图增强并没有显著破坏实时性。对于 LIO 系统来说实时性非常关键因为系统通常要部署在无人车、无人机、手持建图设备或移动机器人上。如果为了增强鲁棒性引入过高计算量就会削弱实际价值。COIN-LIO 的 photometric component 只占较小时间开销这是它工程上比较有吸引力的一点。4.3 ENWIDE Dataset 结果ENWIDE 是本文最有说服力的实验部分。作者强调COIN-LIO 的主要动机并不是在几何结构丰富场景中追求更低误差而是在几何退化环境中提升鲁棒性。实验结果显示KISS-ICP 在所有 ENWIDE 序列中失败这符合预期因为它只依赖退化点云几何。MD-SLAM 和 Du 等使用 intensity 的方法也在所有序列中发散作者认为原因包括没有 IMU难以处理短时几何退化或快速旋转以及某些方法只用图像辅助几何特征选择没有把纹理信息真正用于优化。LIO-SAM 和 FAST-LIO2 在部分自然环境中还能工作因为植被仍提供一些弱几何信息但在 Tunnel、Runway 等人造环境中几何退化更接近“完美退化”FAST-LIO2 也会失败或出现较大漂移。COIN-LIO 则在所有测试序列中保持鲁棒原因正是它利用 photometric error minimization 提供了互补信息。分析ENWIDE 结果最能体现 COIN-LIO 的价值它不是在简单场景里“锦上添花”而是在几何方法失效时提供“救命约束”。特别是在隧道和跑道这类场景中几何退化具有很强的结构性如果只看点云平面和边缘某些方向几乎不可观但地面标线、墙面纹理、草地细节、路面裂纹等 intensity 变化仍然可能提供方向性约束。COIN-LIO 通过互补 patch 选择把这些信息精准注入状态估计。4.4 Ablation Study消融实验主要验证两个设计图像处理是否有效几何互补特征选择是否优于随机选择或单纯强梯度选择。论文比较了 Intensity、Reflectivity、Filtered image以及 Random、Strongest gradient、Complementary selection 等组合。结果显示Filtered image 在低纹理环境中表现更好因为条纹伪影会比真实环境特征更明显而 brightness compensation 和 line removal 能让远距离细节更加可用。特征选择方面基于强梯度的选择优于随机 patch因为强梯度区域能提供更丰富信息而 COIN-LIO 提出的 Complementary selection 表现最好因为它不是简单选择最强图像梯度而是选择能够补充几何退化方向的信息。该策略在 TunnelD 中影响尤其明显因为隧道中很多强梯度实际上沿着几何退化方向若不做互补性分析容易选到冗余或无效特征。分析消融实验把 COIN-LIO 的核心逻辑验证得比较完整只用原始 intensity 不够只用 reflectivity 不一定更好随机选点不稳定单纯强梯度选点仍可能冗余结合滤波强度图和几何互补性选择才能真正提升退化场景鲁棒性。这也说明论文的贡献不是单一模块而是一套围绕“强度图如何有效参与 LIO”展开的完整 pipeline。5. 创新点总结5.1 将 LiDAR intensity 作为主动视觉信息用于 LIOCOIN-LIO 的第一个创新是把 LiDAR intensity 图像视为一种主动视觉观测。相比额外相机LiDAR intensity 的优势是与点云天然同步、外参天然已知、不依赖环境光照。论文明确指出现代 3D LiDAR 的 intensity 可以投影成 dense image使 LiDAR 像一个 active camera 一样工作。这对于矿井、隧道、夜间、室内弱光等环境非常有意义。传统相机在这些环境中可能受光照限制而 LiDAR intensity 来自主动激光返回更适合无外部照明场景。5.2 提出面向强度图的图像处理 pipelineCOIN-LIO 没有直接使用原始 intensity而是针对 LiDAR 强度图特性设计了条纹去除、亮度一致性补偿和平滑降噪流程。该处理改善了图像内部和不同场景之间的亮度一致性并增强远距离细节可见性。这点很重要因为 LiDAR intensity 的物理含义复杂受距离、入射角、材质、传感器内部处理影响。如果不做归一化和伪影抑制光度误差很容易变成不稳定约束。5.3 几何互补的 patch 选择机制本文最有特色的创新是“geometrically complementary patch selection”。作者不是简单选择图像中最强的纹理而是先分析点云几何注册中哪些方向不可观再选择能对这些方向提供约束的强度 patch。这是一种非常值得借鉴的多模态融合思想辅助模态不是越多越好也不是特征越强越好而是要看它是否补充了主模态的弱点。5.4 将 photometric residual 紧耦合进 iEKFCOIN-LIO 将点到平面几何残差和强度图 photometric residual 一起放入迭代 EKF 更新而不是做松耦合后处理。论文中明确说明它基于 FAST-LIO2 的 tightly-coupled iEKF 框架并扩展加入 photometric error minimization。这种设计使 intensity 信息能够直接影响状态估计而不是只影响特征选择或点云对应关系。5.5 发布面向几何退化场景的 ENWIDE 数据集作者认为现有公开 3D LiDAR 数据集缺少专门针对几何退化环境的场景因此构建了 ENWIDE 数据集包含五类环境、十条序列并提供高精度位置真值。这也是一个重要贡献。很多 SLAM 算法在常规城市街区、校园、结构丰富环境中表现很好但真正难的是退化场景。ENWIDE 有助于推动社区从“简单场景更高精度”转向“困难场景更强鲁棒性”。6. 值得借鉴的地方6.1 多模态融合要关注“互补性”而不是简单堆叠COIN-LIO 最值得借鉴的思想是先分析当前主观测的退化方向再选择能补偿该退化方向的辅助观测。对于 LiDAR-视觉-惯性融合、雷达-视觉融合、轮速-IMU-LiDAR 融合等系统这个思路都可以迁移。很多融合系统只是把多种残差一起塞进优化器但没有显式分析信息矩阵中哪些方向已经被充分约束、哪些方向仍然弱可观。COIN-LIO 通过 Hessian 主成分分析识别几何不可观方向这种做法比单纯增加 residual 更有针对性。6.2 对传感器原始观测做“任务适配型预处理”COIN-LIO 的 intensity filtering 说明传感器原始数据不一定适合直接进入优化。对于 intensity 这种非理想图像先做条纹伪影抑制、亮度一致性补偿再进行特征选择和光度跟踪能显著提升后端稳定性。类似思想也可以用于其他任务毫米波雷达点云需要去除多径与动态噪声事件相机需要时间表面构建深度相机需要空洞补全与边缘保留滤波。关键是不要把预处理看成“附属工程”它往往决定后端优化是否可靠。6.3 数据集设计应针对真实失败模式ENWIDE 的价值在于它不是泛泛采集更多数据而是围绕 LIO 的典型失败模式——几何退化——专门设计数据集。它包含 Tunnel、Runway、Field 等长距离退化环境并区分 smooth 与 dynamic 运动。这对做 SLAM 研究很有启发如果只在常规数据集上刷平均误差很可能掩盖算法在真实边界场景下的失败。更好的实验设计应该主动构造退化、动态、弱纹理、强运动、光照变化、遮挡等场景。6.4 工程实现要控制新增模块的计算成本COIN-LIO 增加了强度图处理、patch 选择和光度残差但 photometric component 在 Park 序列上平均只消耗 6.2ms总体每帧 29.7ms仍可达到约 33Hz。这说明论文在设计时比较克制没有使用全图 dense photometric alignment而是选择 sparse informative patches没有用高成本 kD-tree 搜索处理每个像素时间而是构建 undistortion image 进行投影式查找。这些都是面向实时系统的重要工程取舍。7. 局限性分析7.1 依赖特定类型高分辨率旋转式 LiDAR论文自己也指出COIN-LIO 的主要局限是依赖能够生成 dense intensity image 的特定高分辨率 LiDAR。官方代码目前主要支持 Ouster LiDAR因为系统使用 Ouster metadata 中的标定信息建立图像投影模型。其他 LiDAR 理论上可扩展但需要为对应传感器实现合适的 projection model。这意味着 COIN-LIO 的适用范围并不像纯几何 LIO 那样广。对于低线数 LiDAR、非重复扫描固态 LiDAR、点云稀疏或 intensity 不稳定的传感器强度图质量可能不足方法效果会受限。7.2 intensity 本身不是严格稳定的物理量Intensity 受表面反射率、距离、入射角、传感器自动增益、材质、环境条件等影响。论文通过 brightness compensation 和滤波缓解了这些问题但这并不意味着 intensity 在所有场景下都具有稳定光度一致性。作者也提到 reflectivity 虽然补偿了距离依赖但仍可能存在噪声和伪影且亮度一致性未必更好。因此在雨雾、尘土、强反射材料、水面、玻璃、黑色吸光材料等场景中intensity photometric residual 可能出现系统性误差。7.3 退化场景中仍需要有效强度纹理COIN-LIO 能解决“几何退化但强度纹理仍存在”的场景。例如隧道地面标线、草地纹理、路面裂纹、墙面反射变化等。但如果场景同时满足几何退化和 intensity 纹理缺失例如完全均匀材质的长走廊、无标线的平整地面、强度返回非常一致的表面COIN-LIO 也可能缺乏有效约束。论文在 ENWIDE 中也区分了强 intensity features 的 Tunnel/Intersection/Runway以及较少 salient features 的 Katzensee/Field。7.4 主要解决前端里程计问题不包含完整 SLAM 后端COIN-LIO 重点是 LiDAR-Inertial Odometry 的鲁棒前端状态估计。它并不是一个包含全局闭环检测、全局 pose graph 优化、长期地图维护、语义动态剔除的完整 SLAM 系统。因此在超长距离、大规模重复环境、回环场景中仅靠 odometry 仍然可能产生累计漂移。这不是本文的缺陷而是系统定位决定的边界。后续如果要工程落地可以考虑将 COIN-LIO 前端与回环检测、全局优化、地图管理模块结合。7.5 与相机视觉相比LiDAR intensity 图像分辨率和语义信息有限LiDAR intensity 图像虽然具有主动照明优势但分辨率通常远低于相机纹理细节也不如 RGB 图像丰富。论文也指出 intensity image 存在低信噪比、低分辨率、rolling shutter 和非针孔投影等问题。因此COIN-LIO 更像是对 LIO 的强鲁棒性增强而不是完全替代视觉传感器。对于需要语义理解、目标识别、纹理建图的任务相机仍然有不可替代的优势。8. 总结COIN-LIO 是一篇非常有针对性的 LIO 论文。它并没有追求更复杂的全局 SLAM 框架也没有简单地增加相机而是抓住 LiDAR-LIO 的核心痛点几何退化导致某些方向不可观。针对这个问题作者充分利用 LiDAR 自带的 intensity 信息把其投影成强度图像并通过滤波、亮度补偿、几何互补特征选择和光度残差紧耦合更新显著增强了系统在退化场景下的鲁棒性。这篇论文最值得学习的不是某一个公式而是它的系统设计思路先分析主模态在什么方向失效再让辅助模态提供真正互补的信息。从实验结果看COIN-LIO 在 Newer College Dataset 上能略优于多种 baseline在 ENWIDE 几何退化数据集上则表现出更明显优势。尤其是在 Tunnel、Runway 等传统几何 LIO 容易失败的场景中强度图 photometric residual 提供了关键约束。当然它也有比较清晰的边界依赖高分辨率 LiDAR intensity image当前代码主要支持 Ouster LiDARintensity 受材质、距离、入射角和传感器特性影响如果几何和强度纹理同时退化系统仍可能缺乏约束。总体而言COIN-LIO 是一篇非常适合 SLAM 方向研究者阅读的论文。它提供了一种轻量、实时、工程可行的思路在不增加相机的情况下利用 LiDAR intensity 作为补充观测增强 LIO 在真实困难场景中的鲁棒性。对于做激光 SLAM、多传感器融合、退化环境定位、矿井/隧道/地下空间机器人应用的人来说这篇论文非常值得借鉴。