LEMON-Mapping：基于循环增强的大规模多会话点云合并与优化
机器人学
2026-03-02 v3
摘要
多机器人协作正变得越来越关键，尤其在构建全局一致、精确地图方面面临着显著挑战。传统的多机器人姿态图优化（PGO）方法确保基本的全局一致性，但忽略了地图的几何结构，仅将闭环作为姿态节点之间的约束，导致重叠区域出现发散和模糊问题。为此，我们提出 LEMON-Mapping，一个循环增强的大规模、多会话点云融合与优化框架。我们重新审视循环在多机器人地图中的作用，提出三项关键创新。首先，开发稳健的循环处理机制以剔除离群点，并提出循环召回策略以恢复被错误删除但有效的循环。其次，引入基于空间的全局束调整，用于多机器人地图，减少重叠区域的发散并消除模糊现象。最后，设计一种基于 PGO 的方法，利用精细化的束调整约束将局部精度传播至整个地图。我们在多个公开数据集和自建数据集上对 LEMON-Mapping 进行验证。实验结果表明，我们的方法在映射精度和全局一致性方面优于传统合并方法。可扩展性实验也显示其在处理大量机器人场景方面的强大能力。
引用
@article{arxiv.2505.10018,
title = {LEMON-Mapping: Loop-Enhanced Large-Scale Multi-Session Point Cloud Merging and Optimization for Globally Consistent Mapping},
author = {Lijie Wang and Xiaoyi Zhong and Ziyi Xu and Kaixin Chai and Anke Zhao and Tianyu Zhao and Changjian Jiang and Qianhao Wang and Fei Gao},
journal= {arXiv preprint arXiv:2505.10018},
year = {2026}
}