IEEE Transactions on Robotics

LIGO: A Tightly Coupled LiDAR-Inertial-GNSS Odometry Based on a Hierarchy Fusion Framework for Global Localization With Real-Time Mapping

作者：Dongjiao He, Haotian Li, Jie Yin · 机构：Department of Mechanical Engineering, University of Hong Kong, Hong Kong, SAR, China; Department of Electronic Engineering, Shanghai Jiao Tong University, Shanghai, China

会议/期刊：IEEE Transactions on Robotics · 发布日期：2025 · 页码：1224-1244

运动规划传感器飞行机器人移动机器人定位建图

精读笔记

Problem Setting

题目表面是 LiDAR-Inertial-GNSS odometry，实际问题是异质传感器在真实部署中的失效互补：LiDAR-IMU 在局部几何充分时非常强，但大尺度、弱结构、平面退化时不可避免漂移；GNSS 给全局锚点，但 raw observation 低频、噪声大、multipath outlier 重，且 GNSS 坐标尺度与局部里程计尺度差几个数量级。

以前方法卡在两端：松耦合 GNSS solution 简单、高效，但 GNSS 解算本身一旦污染，系统很难恢复；图优化 tight coupling 可以更鲁棒地处理 raw observations，但如果把 LiDAR/IMU/GNSS 全都放进统一图，通常牺牲 LiDAR 点级高频更新和实时 mapping。关键矛盾是：高频局部精确约束和低频全局异常约束不能用同一个估计粒度处理。

Motivation

作者不是单纯想“再加一个 GNSS 因子”，而是指出现有融合框架没有匹配传感器特性。LiDAR 的有效信息主要来自高频点级几何和局部 map reuse；GNSS 的有效信息来自跨时间的全局绝对观测和多卫星几何，但它必须在鲁棒优化框架里被筛选。把 GNSS 直接进 EKF，outlier 太危险；把 LiDAR 点云全进 factor graph，又把 Point-LIO 这类高带宽优势抹掉。

关键缺口是一个能同时满足三件事的结构：1）前端仍像强 LIO 一样高频输出和实时建图；2）后端能处理 raw GNSS，而不是依赖 PPP/RTK solution；3）后端全局信息能反向影响前端地图，而不是只输出一条离线优化轨迹。

Core Idea

LIGO 的核心思想是层级化信息流：LiDAR-IMU 在 EKF 前端被快速吸收，形成局部世界坐标下的状态估计和协方差；后端把这些估计视为 compact LiDAR-Inertial factor，再与 GNSS raw observations 共同做滑窗图优化，估计局部世界到 ECEF 的外参、GNSS clock states 和全局参考轨迹。后端结果再作为 EKF 的观测/输出反馈回前端，修改状态和局部地图。

本质区别在于它改变了融合粒度：不是 measurement-level 全量统一优化，也不是 solution-level 松耦合，而是“前端充分利用高频局部 measurement，后端利用其 posterior distribution 与低频全局 measurement 对齐”。这个设计引入的 inductive bias 是：局部运动连续性和几何约束是可信的短期先验，GNSS 是低频全局校正但必须被局部先验压制 outlier。这个 bias 比单一 EKF 或单一图更符合真实传感器统计。

Method

1）前端 EKF / Point-LIO 式点级更新：解决 LiDAR scan-level 方法频率低、动态运动去畸变困难、当前帧特征稀疏的问题。直接 point-to-map 更新使历史地图参与约束，状态含加速度/角速度随机过程以应对 IMU 饱和或高动态。这里的核心变化是把 LiDAR 当作高带宽连续观测，而不是低频 scan factor。

2）Compact LiDAR-Inertial factor：解决后端图规模和频率不匹配问题。前端 posterior 被压缩为一个带协方差的 prior-like factor，约束图中的局部状态。其价值不只是省计算，而是把 LiDAR-IMU 的相关性和退化方向以 covariance 形式传给后端。文中声称可通过 covariance 反映 LiDAR degeneracy，但 covariance 是否 calibrated 未充分说明。

3）Raw GNSS factor graph：解决 GNSS solution-level 融合对 outlier 敏感的问题。后端使用 Hatch-smoothed pseudorange 提供绝对距离，single-difference carrier phase 提供高精度相邻状态约束，Doppler 提供速度和额外方向约束，再加 clock drift / clock rate dynamics。核心不是这些 GNSS 模型本身新，而是它们被局部 LIO compact factor 强约束后，outlier 影响被限制。

4）后端到前端反馈与 map update：解决全局优化只停留在低频后端的问题。优化后的局部状态作为 EKF 输出更新前端状态与协方差，并用 B-spline 在两次 GNSS 之间重投影 map points。这个机制让实时地图逐步吸收 GNSS 信息，但它更像 incremental correction，不等价于全局一致 SLAM 重优化。

Key Insight / Why It Works

最有效的部分大概率是“估计粒度匹配”：LiDAR-IMU 的信息先在 EKF 中被高频、低延迟地消化，再以 compact posterior 的形式进入 GNSS 图；GNSS 不直接污染前端，而是在后端被多时刻局部运动约束过滤。这个结构比具体选择 Hatch filter 或某个 carrier phase factor 更关键。

第二个核心是 local/global 解耦。前端一直工作在 local-world frame，避免每个 LiDAR 点都面对 ECEF 大数尺度和 GNSS 外参不确定性；后端单独估计 local-world 到 ECEF 的变换。这使系统在 GNSS 初期未收敛或短时丢失时仍能维持局部稳定。代价是全局误差会集中到外参估计上，实验中 LIGO local map 看起来很好但 ENU 误差仍有米级，正说明这一点。

第三个有效点是 GNSS 观测互补：Hatch-smoothed pseudorange 给绝对锚点，single-difference carrier phase 给短期平滑，Doppler 给速度和不同方向约束。消融显示 Doppler/CP 去掉后性能下降，这符合 GNSS 几何直觉。但这些观测模型不是本论文的主要原创，更多是成熟 GNSS tight coupling 的工程整合。

哪些可能只是 engineering？Point-LIO 前端、Hatch filter、single-difference carrier phase、clock factors、B-spline map correction 都是已有思想的组合。论文贡献在系统组织和信息流闭环，不在单个数学因子的原创性。性能增益可能很大程度来自合理系统工程与真实数据覆盖，而不是某个全新估计理论。

Relation To Prior Work

它最接近三条路线：Point-LIO/FAST-LIO 类高频 LiDAR-inertial filtering，GVINS/visual-inertial GNSS tight coupling 类 raw GNSS 图优化，以及 LIO-SAM-GPS/GLIO/GIL 类 LiDAR-IMU-GNSS fusion。

相对松耦合 LIO+GPS，LIGO 的本质差异是不用 GNSS position solution 当黑盒观测，而是直接融合 pseudorange / Doppler / carrier phase，因此有机会利用局部 LIO 约束抑制 GNSS outlier。相对 GLIO/GIL 这类图优化 tight coupling，LIGO 的差异是保留 EKF 点级前端，不让输出频率和实时 mapping 被 graph 后端拖慢。相对 Point-LIO，新增信息是全局 GNSS raw constraints 和后端反馈闭环。

看似新的部分很多是已有思想重组：EKF 前端 + graph 后端、carrier-smoothed code、single-difference carrier phase、Doppler factor、B-spline trajectory correction 都不是全新。实质创新在于把前端 posterior 作为 compact factor 并反馈回前端 map maintenance，形成一个适配传感器频率/噪声差异的层级 tight coupling。

Dataset / Evaluation

评估相对扎实，尤其是自采 UAV 数据有价值：轻量 GNSS 天线、桥下 GNSS loss、室内外切换、野外平地 LiDAR 退化，这些比普通车载 benchmark 更贴近系统 claim。公开数据覆盖 UrbanNav、M2DGR、GIL，也验证了城市峡谷、校园、森林等 outlier 场景。整体上，实验确实支持“比松耦合更稳、比纯 LIO 更抗退化、能用于 UAV”的主张。

但 evaluation 也有明显边界。首先，Point-LIO 用 ICP 对齐后在部分序列比 LIGO 更准，说明如果只看局部形状，LIO 本身已经很强；LIGO 的优势是 global reference，而这部分受外参估计影响很大。其次，与 GLIO 的比较不完全公平：GLIO 依赖 base station / preknown extrinsic，LIGO 在线估计外参，两者 deployment assumption 不同。第三，文中没有充分隔离性能来源：是 raw GNSS tight coupling、compact factor、后端反馈、还是 Point-LIO 前端本身贡献最大，消融不够细。

Limitation

最大限制是外参和可观性。local-world 到 ECEF 的变换在线估计是全局误差主来源；地面平台缺少垂向激励时，旋转/平移外参收敛会变差。论文承认 gravity 初始化和外参估计需要改进，这不是小问题，而是全局定位系统的核心瓶颈。

第二，compact factor 的信息一致性存疑。前端 EKF 输出被后端优化，后端结果又反馈前端，随后前端再产生新的 compact factors；如果没有严格处理相关性，存在 double counting 或 covariance 过度自信风险。文中未充分说明这一点。

第三，map correction 的上限有限。B-spline 只修正相邻 GNSS 时间段内的轨迹和点云投影，适合小漂移渐进校正；面对长期 GNSS-denied 后突然获得 GNSS、或者前端已构建错误地图的 abrupt large drift，它可能只是缓慢拉回，而不是恢复一致地图。

第四，GNSS outlier robustness 的归因仍不清。作者展示了多场景鲁棒性，但 outlier rejection 策略、鲁棒核、阈值、GNSS 信号筛选对结果的影响没有被充分展开。增益可能部分来自工程调参和数据条件，而不完全来自理论结构。

第五，所谓 globally consistent mapping 需要谨慎理解。它不是 loop-closure SLAM 意义上的全局一致地图重优化，而是 GNSS 约束下的实时局部地图修正。对于长时间、大范围、多次回环的地图一致性，论文证据仍不足。

Takeaway

  • 1）异质传感器融合不应追求单一统一估计器，而应按频率、噪声形态、异常模式分层组织；这是这篇论文最可迁移的 insight。
  • 2）把强前端的 posterior 压缩为 compact factor 是实用路线：既保留高频实时性，又能让后端利用全局观测。
  • 这一模式可迁移到 radar-inertial-GNSS、visual-LiDAR-GNSS、甚至 learned odometry + classical graph 的系统中。
  • 3）GNSS raw observation 的价值只有在强局部运动先验约束下才真正释放；否则 pseudorange/PPP solution 很容易把系统拉坏。

一句话总结

LIGO 是一篇把 Point-LIO 式高频局部估计与 raw-GNSS 图优化通过 compact posterior factor 和反馈闭环组织起来的系统论文，真正贡献在融合架构和信息流重排，而不是单个传感器模型的新颖性。