Land-Vehicle Localization 2025 — GNSS + IMU + LiDAR with Dynamic-ICP

Citekey : LandVehicleLocalization2025
Année : 2025
Thème : fusion / localisation
PDF : (voir Zotero / export Teleforge)

🎯 Objectif du papier

Proposer une localisation précise et robuste pour véhicules terrestres en environnement urbain complexe, en fusionnant :

• GNSS-based odometry (EKF)
• IMU pré-intégrée
• LiDAR odometry avec un nouvel algorithme Dynamic-ICP
• Une carte 3D offline (point cloud map)

Objectif principal :

améliorer la localisation lorsque le GNSS est intermittent, bruité ou dégradé, et permettre une re-localisation rapide après dérive du LiDAR.

🧱 Pipeline général

Le système contient quatre modules principaux :

1. GNSS-based Odometry (GBO)

   • Générée via un EKF doppler-based.
   • Fournit vitesse + position grossière, utilisée pour guider le LiDAR.

2. IMU Pre-integration

   • Formulation de Forster et Carlone.
   • Permet la continuité dans les zones sans LiDAR features.

3. LiDAR Odometry avec Dynamic-ICP

   • Nouvelle variante d’ICP avec :
     • réduction adaptative de la zone de correspondance,
     • sélection dynamique de sous-cartes,
     • accélération substantielles,
     • re-localisation même en cas de drift élevé.

4. Constrained GNSS Velocity-Aided Pose Adjustment (IKF)

   • Ajuste l’attitude en utilisant :
     • la vitesse GNSS,
     • la pose LiDAR,
     • une contrainte de roll basée sur la géométrie du véhicule.

La carte 3D offline fournit une contrainte globale permanente.

🔍 Contributions principales

1. Dynamic-ICP

Un ICP amélioré :

• restreint la zone de recherche grâce à la position GNSS,
• accélère de manière drastique la convergence,
• améliore la robustesse dans les zones pauvres en features,
• permet une re-localization rapide après perte de suivi LiDAR.

2. IKF avec contrainte roll + vitesse GNSS

Le filtre impose :

• cohérence véhicule (limitation roll/pitch),
• utilisation directe de la vitesse GNSS pour stabiliser l’attitude.

3. Fusion triple (GNSS / IMU / LiDAR)

Le pipeline combine :

• précision LiDAR,
• continuité IMU,
• globalité GNSS.

4. Analyses expérimentales

Jeux de données : HK01, HK02, KITTI18, KITTI28.

Résultats clés :

• erreurs RMS très faibles,
• meilleures performances que LOAM, NDT, ICP,
• excellente re-localization,
• forte robustesse dans les rues urbaines étroites.

🧪 Détails techniques intéressants

• utilisation de trace(Ξ) comme estimateur de qualité GNSS,
• interpolation quadratique IMU ↔ LiDAR,
• sous-map selection (“local 3D map region”) basée sur GNSS,
• correction attitude via GNSS velocity vector.

🔗 Intégration dans l’écosystème RS3 / Telemachus

Pour P004 – Robust GNSS/INS fusion en urbain

• pipeline comparable à ce que tu mets dans P004 (pré-integration IMU, correction GNSS),
• exemple d’intégration LiDAR + GNSS pour atténuation drift.

Pour V001 – fusion multi-capteurs

• cas d’école complet LiDAR/IMU/GNSS,
• très pertinent pour pédagogie fusion multi-capteurs dans ta VAE.

Pour V005 – reproductibilité scientifique RS3

• possibilité de reconstruire Dynamic-ICP “lite” dans RS3 pour démontrer :
  • différence ICP classique vs ICP guidé GNSS,
  • rôle d’une carte 3D offline.

Proposition d’artefact RS3

Un module expérimental “DynamicICP-Lite” permettant de comparer :

• ICP standard,
• ICP restreint (GNSS gating),
• matching RS3 sur trajectoire simulée.

✔️ Résumé final

Ce travail propose l’un des pipelines les plus complets en 2025 pour la localisation de véhicules terrestres en zones urbaines complexes.
Le système combine élégamment :

• GNSS velocity-aided odometry,
• IMU pré-intégrée,
• LiDAR odometry avec un ICP dynamique,
• contrainte de carte 3D,
• filtre IKF avec contrainte roll.

Très utile pour consolider P004, V001 et V005.
Excellent candidat pour intégration RS3 → Telemachus.