揭秘 MULLS 的 4 个鲁棒性技巧：地面分割、运动补偿、动态物体移除与距离反比采样
【免费下载链接】MULLS🤔 MULLS: Versatile LiDAR SLAM via Multi-metric Linear Least Square [ICRA 21]项目地址: https://gitcode.com/gh_mirrors/mu/MULLS
MULLS（Versatile LiDAR SLAM via Multi-metric Linear Least Square，ICRA 2021）是一套高效、低漂移、多场景通用的激光雷达 SLAM 开源方案，既能跑实时里程计，也能完成建图与回环优化。对新手来说，MULLS 最值得学习的不是"它跑得多准"，而是它如何通过一组工程化技巧让 LiDAR SLAM 在城市场景、高速路段、复杂路口里保持鲁棒。本文从源码层面拆解 MULLS 提升鲁棒性的 4 个关键技巧：地面分割、运动补偿、动态物体移除与距离反比采样，帮你快速理解这套系统的设计思路。
技巧一：基于网格双阈值的快速地面分割
地面点在每一帧点云中占比极高，如果全部参与配准，不仅计算量大，还会干扰特征匹配。MULLS 采用了一种"双阈值"网格地面分割策略，核心实现在 cfilter.hpp 的fast_ground_filter函数中，大致流程是：
- 构建 2D 网格：把点云按水平面投影到网格，统计每个格子的最低点（min_z）；
- 邻域比较：若某格子的最低点与 8 邻域最低点相差超过阈值 1，则该格子整体视为非地面；
- 格内二次筛选：其余格子中，高于格内最低点阈值 2 的点归为非地面，剩余归为地面。
这套思路比直接 RANSAC 拟合平面更快、对坡度更宽容，还能顺带估计地面法向量（支持固定半径、k 近邻、格内 RANSAC 三种方式）。分割后地面点会被随机降采样，非地面点则进入下一步的特征提取，为后续多度量配准提供干净输入。
技巧二：基于匀速运动模型的点云运动补偿
旋转式激光雷达一帧扫描需要几十毫秒，车辆在这段时间内的位移会让点云产生"运动畸变"（scan distortion），高速行驶时尤为明显。MULLS 用匀速运动模型做运动补偿，实现在 cfilter.hpp 的simple_motion_compensation与apply_motion_compensation中。
原理很直观：假设帧间运动已知，则每个点根据其扫描时刻的比例系数 s 做线性插值——最早扫到的点畸变最大、补偿最多，最后扫到的点几乎不动。插值用四元数球面线性插值（slerp）完成，旋转和平移分别处理。代码还针对不同雷达做了适配：Velodyne HDL-64 从 x 轴负方向起扫、Hesai Pandar 从 y 轴负方向起扫，通过scan_begin_ang参数区分；若点云自带时间戳，也可以走simple_motion_compensation_with_timestamp按真实时间比例补偿。这一步直接决定了配准初值的质量，是低漂移的关键前提。
技巧三：双重动态物体移除策略
行驶中的车辆、行人会在地图上留下"鬼影"，把动态点误当作静态特征参与配准，是 LiDAR SLAM 漂移的主要来源之一。MULLS 提供两层动态物体移除手段：
- 基于语义掩码的前置剔除：在 Semantic KITTI 数据上，cfilter.hpp 的
filter_with_dynamic_object_mask_pre直接利用神经网络预测的语义标签，把 moving-car、moving-person 等动态类别（标签 252–259）在进入特征提取前就过滤掉； - 基于局部地图的后验剔除：这才是 MULLS 的亮点。map_manager.cpp 的
map_based_dynamic_close_removal把当前帧的非地面点与局部地图做 kd-tree 最近邻搜索：若某点到地图最近邻的距离落在异常区间（过近或过远），就判定它属于动态物体并删除。由于配准前地图已建好，这套方法不依赖额外传感器，纯 LiDAR 也能稳定工作。
此外，scanner_filter 还会剔除车体自身的点与地面以下的"鬼点"，进一步净化输入。
技巧四：距离反比采样让远处点不"消失"
激光雷达点云密度随距离急剧衰减——近处密密麻麻、远处稀稀拉拉。如果均匀降采样，远处本就不多的点会被进一步"稀释"，导致配准约束不足。MULLS 的距离反比采样（distance inverse sampling）专门解决这个问题，参数入口在 cfilter.hpp 的extract_semantic_pts中：
distance_inverse_sampling_method: 0=关闭，1=线性权重，2=二次权重 standard_distance: 权重为 1 的参考距离（默认 15 米）实现时以标准距离 / 点到雷达距离作为采样权重：近处点被更狠地降采样，远处点则尽量保留，且二次权重比线性权重更激进。这样配准时远近特征点分布更均衡，长距离场景（如高速公路）的鲁棒性明显提升。想体验的话，在 run_mulls_slam.sh 指定的配置文件中即可调整对应参数，不同场景还有现成配置可参考，比如 lo_gflag_list_kitti_urban.txt 与 lo_gflag_list_kitti_highway.txt。
快速上手体验
这 4 个技巧共同撑起了 MULLS 的鲁棒性，而体验它们并不难。仓库自带 16 帧示例数据（demo_data目录），无需任何配置即可运行：
git clone https://gitcode.com/gh_mirrors/mu/MULLS sh script/run_mulls_slam.sh # 跑完整 SLAM sh script/run_mulls_reg.sh # 跑两帧点云配准小结
地面分割减少计算干扰、运动补偿消除畸变、动态物体移除防止漂移、距离反比采样均衡特征分布——这 4 个技巧环环相扣，让 MULLS 在保持高效的同时具备低漂移、多场景通用的能力。对于正在学习 LiDAR SLAM 的你，与其对着公式发愁，不如直接读读 cfilter.hpp 与 map_manager.cpp 里这些短小精悍的实现，很快就能把工程上的鲁棒性思维带进自己的项目。
【免费下载链接】MULLS🤔 MULLS: Versatile LiDAR SLAM via Multi-metric Linear Least Square [ICRA 21]项目地址: https://gitcode.com/gh_mirrors/mu/MULLS
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
