GLIM

AIST 推出的 GPU 加速 3D 光達（LiDAR）SLAM 框架，適用於任何距離感測器

授權條款

MIT

概述

GLIM 是 Kenji Koide（日本 AIST）打造、以 3D 點雲為基礎的定位與建圖框架。它結合緊耦合的光達（LiDAR）與慣性量測單元（IMU）里程計前端，以及基於全域配準誤差最小化的全域最佳化後端，最繁重的運算核心在 GPU 上執行，並刻意支援「任何距離感測器」：機械旋轉式光達、Livox 等非重複掃描的固態裝置，甚至 RGB-D 攝影機，全部納入同一個可擴充、原生支援 ROS 2 的架構中。

GLIM 將 SLAM 拆成里程計估計前端與全域建圖後端，兩者都在 GTSAM 上以因子圖最佳化表述。前端以基於關鍵影格的固定延遲平滑，將光達（LiDAR）與慣性量測單元（IMU）緊密耦合，在劇烈運動下依然穩健；後端則以 GPU 加速的體素化 GICP 匹配成本因子進行全域軌跡最佳化，並透過全域配準誤差最小化的方法閉合迴路，而不仰賴脆弱的顯式迴路偵測。核心以外的一切都是外掛：里程計變體（CPU、GPU、以 IMU 為中心）、迴路閉合模組，以及來自配套 glim_ext 儲存庫的擴充模組。互動式檢視器建構在作者的 Iridescence 函式庫之上，並提供 ROS 2 與 ROS 1 封裝，同一套流程可處理 Velodyne/Ouster 旋轉式光達、Livox 固態裝置與深度攝影機，這樣的廣度是少數開源 SLAM 系統才會嘗試的。

為何重要

GLIM 是傳統開源光達（LiDAR）SLAM 堆疊最完整、仍在積極開發的後繼者：它將研究等級的全域最佳化與 GPU 加速，封裝成經過工程打磨、有文件且可透過外掛擴充的套件。作者正是 hdl_graph_slam 與 small_gicp 的作者，其函式庫早已支撐開源光達建圖生態系的一大部分。

解決的問題

以現代感測器建立精確的 3D 地圖（固態光達、劇烈的平台運動、長距離軌跡），會打破舊式光達（LiDAR）SLAM 系統的假設。GLIM 以緊耦合的 IMU 融合、GPU 加速的全域最佳化與不限感測器的設計，在同一個框架中處理這些情況。

重點

• 緊耦合的光達（LiDAR）與 IMU 里程計，在劇烈運動與稀疏幾何下依然穩健
• 全域最佳化後端在整張地圖上最小化配準誤差（不需要脆弱的迴路偵測器）
• CUDA 加速的體素化 GICP 因子，讓稠密全域最佳化能即時完成
• 與感測器無關：旋轉式光達、Livox 固態裝置與 RGB-D 攝影機
• 外掛架構（glim_ext）與 ROS 2/ROS 1 封裝，便於乾淨地擴充與整合

適用對象

• 打造 3D 建圖流程的機器人工程師
• 擴充因子圖系統的 SLAM 研究人員
• 自主移動機器人（AMR）與戶外機器人開發者
• 使用移動式光達（LiDAR）的測量與數位孿生從業人員

限制

• 最佳效能需要 NVIDIA GPU（CPU 備援方案較慢）
• 標準的緊耦合流程需要慣性量測單元（IMU）
• 在超大規模的執行中，全域最佳化的記憶體用量會隨地圖大小成長