仿生Dyna-LIO：面向动态环境工程车辆的青蛙视觉启发式LiDAR SLAM

摘要

论文摘要

论文针对现有LiDAR SLAM多按静态环境设计、难以适应动态施工场景的问题，提出Dyna-LIO。方法建立仿生映射框架，通过LiDAR里程计与IMU里程计线性插值初始化当前帧位姿，提取地面点并将点云转换为深度图和鸟瞰视图，以识别和去除动态目标；随后使用静态点云的几何特征完成配准，并通过因子图进行全局优化。论文在KITTI数据集以及施工、矿区Gazebo场景中验证定位和建图结果。

Biomimetic
Engineering vehicle
LiDAR SLAM
Dynamic point recognition
Vehicle localization

总体框架

从蛙眼背景抑制到动态LiDAR SLAM

Dyna-LIO将蛙视网膜对持续背景和瞬态变化的处理方式映射到动态点云分离。系统接收400 Hz IMU和10 Hz LiDAR点云，依次执行IMU预积分、点云畸变校正、特征提取、位姿初始化、局部子图提取、动态点去除、点云配准和factor graph（因子图）优化。

优化位姿反馈到后续帧，用于形成LiDAR里程计和静态环境地图。

Fig. 1 Dyna-LIO工作流程 — 论文原图 · Fig. 1 **Dyna-LIO工作流程**

Dyna-LIO的工作流程。

The workflow of Dyna-LIO.
查看高清原图 ↗

深度通道

深度图差分识别瞬态动态目标

方法先使用Patchwork++提取地面点，再将查询帧与对应子地图转换为深度图。两幅深度图相减形成差分深度图，以查询帧和子地图间的距离变化识别动态目标候选区域。

深度图通道保留点云距离信息，用于响应短时出现的运动轮廓。

Fig. 4 深度图通道的动态点识别 — 论文原图 · Fig. 4 **深度图通道的动态点识别**

动态点识别：(a)查询帧深度图，(b)子地图深度图，(c)差分深度图。

Dynamic point identification: (a) query frame depth image; (b) submap depth image; and (c) difference depth image.
查看高清原图 ↗

BEV通道

鸟瞰视图维持空间背景信息

点云俯视投影形成BEV高度图，查询帧BEV与局部子地图BEV的差分用于识别空间结构变化。动态概率随时间更新，以处理遮挡和停走交替目标。

深度图与BEV从距离和空间高度两个角度形成互补判断，输出用于点云过滤的动态区域。

Fig. 5 持续图像通道的BEV可视化 — 论文原图 · Fig. 5 **持续图像通道的BEV可视化**

通道2（持续图像通路）可视化：(a)点云俯视图，(b)BEV，(c)查询帧BEV，(d)子地图BEV，(e)差分BEV。

Visualization of Channel 2 (Sustained image pathway): (a) point cloud top view; (b) BEV; (c) BEV of query frame; (d) BEV of submap; and (e) difference BEV.
查看高清原图 ↗

施工场景

施工场景中的动态点去除比较

Gazebo施工场景面积为60 m × 100 m，包含装载机、自卸车、混凝土搅拌车和起重机等对象。原始地图共有675206个点，其中动态点22186个。

Dyna-LIO的动态点移除率为97.64%，残留动态点523个，静态点保留率为95.64%；同一场景还与Removert、RF-LIO和SuMa++进行比较。

Fig. 10 施工场景仿真与动态点去除效果 — 论文原图 · Fig. 10 **施工场景仿真与动态点去除效果**

施工场景仿真：(a)场景与作业路线，(b)原始点云地图，(c)Removert动态点去除效果，(d)Dyna-LIO动态点去除效果，(e)RF-LIO动态点去除效果，(f)SuMa++动态点去除效果。

Construction site simulation: (a) scene and operating routes; (b) original point cloud map; (c) removert dynamic points removal effect; (d) Dyna-LIO dynamic points removal effect; (e) RF-LIO dynamic points removal effect; (f) SuMa++ dynamic points removal effect.
查看高清原图 ↗

主要结果

公开数据集、矿区场景与运行效率

在KITTI 05、07和09序列上，Dyna-LIO的ATE RMSE分别为0.48986 m、0.5216 m和0.77062 m，低于Table 1中的LEGO-LOAM与LIO-SAM。

矿区场景的动态点移除率为98.23%；Dyna-LIO轨迹RMSE为0.20371 m，相较LIO-SAM的0.33756 m降低39.7%。CPU平台单帧总耗时为32.4 ms，其中动态点去除为4.8 ms，对应30.9 FPS。

Fig. 13 矿区仿真的轨迹与误差分布 — 论文原图 · Fig. 13 **矿区仿真的轨迹与误差分布**

矿区采掘仿真：(a)轨迹比较，(b)轨迹误差分布。

Mining excavation simulation: (a) comparison; (b) trajectories error distribution.
查看高清原图 ↗

结论

结论与适用范围

论文使用KITTI公开序列和Gazebo施工、矿区场景验证Dyna-LIO，工程车辆场景结果来自仿真。

论文提出的后续方向是进一步结合多传感器信息，并研究摄像头辅助的动态目标检测，以扩展环境感知能力。

第二层阅读

需要更快地把握方法链和核心机制？

AI简报不会替代上方的论文原文导读；它只在您主动打开时加载。

引用

引用本文

以下格式根据论文正式题录生成；使用前请按目标期刊或机构规范复核。

GB/T 7714

WANG Y, LIU X, HE H, et al. Bio-inspired Dyna-LIO: A Frog Vision-based LiDAR SLAM for Engineering Vehicles in Dynamic Environments[J]. Journal of Bionic Engineering, 2026, 23(3): 1789-1806. DOI:10.1007/s42235-026-00892-z.

APA

Wang, Y., Liu, X., He, H., Li, X., Bi, Q., Yao, Z., Wang, Y., & Dong, B. (2026). Bio-inspired Dyna-LIO: A Frog Vision-based LiDAR SLAM for Engineering Vehicles in Dynamic Environments. Journal of Bionic Engineering, 23(3), 1789–1806. https://doi.org/10.1007/s42235-026-00892-z

IEEE

Y. Wang, X. Liu, H. He, X. Li, Q. Bi, Z. Yao, Y. Wang, and B. Dong, “Bio-inspired Dyna-LIO: A Frog Vision-based LiDAR SLAM for Engineering Vehicles in Dynamic Environments,” Journal of Bionic Engineering, vol. 23, no. 3, pp. 1789–1806, 2026, doi: 10.1007/s42235-026-00892-z.