GLIM

Framework SLAM LiDAR 3D accelerato da GPU per qualsiasi sensore di distanza, dell'AIST

Licenza

MIT

Panoramica

GLIM è un framework di localizzazione e mappatura basato su nuvole di punti 3D, sviluppato da Kenji Koide (AIST, Giappone). Combina un front-end di odometria LiDAR-IMU strettamente accoppiata con un back-end di ottimizzazione globale basato sulla minimizzazione dell'errore di registrazione globale, esegue i kernel più pesanti su GPU e supporta deliberatamente “qualsiasi sensore di distanza”: LiDAR meccanici rotanti, unità a stato solido a scansione non ripetitiva come Livox e persino telecamere RGB-D, in un'unica architettura estendibile e nativa per ROS 2.

GLIM divide lo SLAM in un front-end di stima dell'odometria e un back-end di mappatura globale, entrambi formulati come ottimizzazione su factor graph con GTSAM. Il front-end accoppia strettamente LiDAR e unità di misura inerziale (IMU) con uno smoothing a ritardo fisso basato su keyframe, e resta robusto anche con movimenti bruschi; il back-end esegue l'ottimizzazione globale della traiettoria con fattori di costo di matching GICP voxelizzato accelerati da GPU e chiude i loop con un approccio di minimizzazione dell'errore di registrazione globale, invece di un fragile rilevamento esplicito dei loop. Tutto ciò che va oltre il nucleo è un plugin: varianti di odometria (CPU, GPU, centrata sull'IMU), moduli di chiusura dei loop e moduli di estensione dal repository complementare glim_ext. Il visualizzatore interattivo è costruito sulla libreria Iridescence dell'autore, sono forniti wrapper per ROS 2 e ROS 1, e la stessa pipeline gestisce LiDAR rotanti Velodyne/Ouster, unità a stato solido Livox e telecamere di profondità: un'ampiezza che pochi sistemi SLAM aperti tentano.

Perché è importante

GLIM è il successore attivamente sviluppato più completo dei classici stack aperti di SLAM LiDAR: ottimizzazione globale di livello ricerca e accelerazione GPU in un pacchetto ingegnerizzato, documentato ed estendibile tramite plugin, dall'autore di hdl_graph_slam e small_gicp, le cui librerie sono già alla base di gran parte dell'ecosistema aperto di mappatura LiDAR.

Il problema che risolve

Costruire mappe 3D accurate con i sensori moderni (LiDAR a stato solido, movimenti bruschi della piattaforma, traiettorie lunghe) viola le ipotesi dei sistemi SLAM LiDAR meno recenti. La fusione IMU strettamente accoppiata di GLIM, l'ottimizzazione globale accelerata da GPU e il design indipendente dal sensore gestiscono questi casi in un unico framework.

Punti chiave

• Odometria LiDAR-IMU strettamente accoppiata, robusta a movimenti bruschi e geometria sparsa
• Il back-end di ottimizzazione globale minimizza l'errore di registrazione sull'intera mappa (nessun fragile rilevatore di loop)
• I fattori GICP voxelizzati accelerati con CUDA rendono trattabile in tempo reale l'ottimizzazione globale densa
• Indipendente dal sensore: LiDAR rotanti, unità a stato solido Livox e telecamere RGB-D
• Architettura a plugin (glim_ext) e wrapper per ROS 2/ROS 1 per un'estensione e un'integrazione pulite

A chi si rivolge

• Ingegneri robotici che costruiscono pipeline di mappatura 3D
• Ricercatori SLAM che estendono sistemi basati su factor graph
• Sviluppatori di AMR e di robot per esterni
• Professionisti del rilievo e del gemello digitale (Digital Twin) che usano LiDAR mobili

Limiti

• Le migliori prestazioni richiedono una GPU NVIDIA (le alternative su CPU sono più lente)
• La pipeline standard strettamente accoppiata richiede un'unità di misura inerziale (IMU)
• Nelle esecuzioni su scala molto ampia la memoria dell'ottimizzazione globale cresce con le dimensioni della mappa