K2E-B-G5-10 · Paper Note

LONER

Created 2024-03-31Updated 2026-06-11slam / papers / g-geometry-rendering / g5-nerf-slam
  • Description：LONER 论文笔记 — 首个实时 LiDAR-only 神经隐式 SLAM，ICP 跟踪 + MLP 隐式地图，Jensen-Shannon 动态边距损失防灾难遗忘
  • My Notion Note ID：K2E-B-G5-10
  • Created：2024-03-31
  • Updated：2026-06-11
  • License：转载欢迎：转载请注明作者 Yu Zhang 并附原文出处（yuzhang.io）

Table of Contents

1. Summary

Title: LONER: LiDAR Only Neural Representations for Real-Time SLAM Authors: S. Isaacson, P.-C. Kung, M. Ramanagopal, R. Vasudevan, K. A. Skinner Paper: arXiv:2309.04937 (IEEE RA-L 2023) Github: umautobots/LONER

LONER (U. Michigan, 2023)：首个实时 LiDAR-only 神经隐式 SLAM。双线程并行：跟踪线程 (Point-to-Plane ICP, 5 Hz) + 建图线程 (MLP 隐式地图， ~18 Hz)。纯 LiDAR，无 IMU、无 RGB。

核心创新：Jensen-Shannon 动态边距损失：在线 SLAM 中各区域学习进度不均，统一固定边距要么欠拟合新区域、要么引发已学区域灾难遗忘。LONER 按目标分布与预测分布的 Jensen-Shannon 散度逐射线自适应调整边距 ϵdyn\epsilon_{dyn}：未学好区域大边距快学，已学好区域小边距防遗忘。

Fusion Portable MCR 序列 ATE 0.029 m（vs LeGO-LOAM（轻量化地面优化 LiDAR 里程计与建图，Shan & Englot 2018）0.052 m）；Newer College Quad Easy ATE 0.130 m；建图 ~18 Hz，跟踪 5 Hz，实时 (Ryzen 5950X + A6000)。

LONER 系统架构：跟踪线程 (ICP + 运动补偿) 与建图线程 (关键帧选择 + 射线采样 + 损失函数)

2. Key Contributions

  • 首个实时 LiDAR-only 神经隐式 SLAM：无 IMU/RGB，双线程实时 (5 Hz 跟踪 + 18 Hz 建图)
  • JS 动态边距损失：按 JS 散度逐射线自适应 ϵdyn\epsilon_{dyn}，同时防遗忘和快速学习新区域
  • ICP 跟踪取代 NeRF 位姿优化：省出 GPU 资源给建图，是实现实时的关键取舍
  • 关键帧重放：随机历史关键帧重放维持全局地图一致性（消融中对 ATE 有显著贡献）
  • 天空射线惩罚：Lsky\mathcal{L}_{sky} 抑制指向天空的射线产生虚假表面

3. Method

3.1 跟踪 — Point-to-Plane ICP

  • 输入 LiDAR 扫描降采到 5 Hz
  • Point-to-Plane ICP 估相邻帧相对位姿（不用 IMU）
  • 匀速运动假设做运动补偿（LiDAR 旋转期间去畸变）
  • 用 ICP 而非 inverse-NeRF 位姿优化 → 跟踪 GPU 开销极小，把 GPU 留给建图（实时关键取舍）

3.2 隐式地图与体渲染

地图 = MLP + 分层特征网格编码，输出每点密度 σ\sigma。沿 LiDAR 射线体渲染：

Ti=exp⁡ ⁣(−∑j<iσjδj),wi=Tiσi,D^(r)=∑iwitiT_i = \exp\!\Bigl(-\sum_{j<i}\sigma_j\delta_j\Bigr), \quad w_i = T_i\sigma_i, \quad \hat{D}(\mathbf{r}) = \sum_i w_i t_i

TiT_i 为透射率，σi\sigma_i 为密度，δi\delta_i 为采样间距，tit_i 为采样距离，wiw_i 为射线权重，D^\hat{D} 为渲染期望深度。

每关键帧窗口：NW=8N_W=8 帧，每帧 NR=512N_R=512 条射线，每射线 NS=512N_S=512 个采样点。

3.3 Jensen-Shannon 动态边距损失

问题：在线 SLAM 各区域学习不均。固定深度边距 ϵ\epsilon → 大了忘旧区域，小了学不好新区域。

目标分布：G∼N(z∗,σ∗2)G \sim \mathcal{N}(z^*, \sigma^{*2})，σ∗=ϵmin/3\sigma^* = \epsilon_{min}/3，以真实深度 z∗z^* 为中心的高斯目标。

样本分布：S∼N(μˉw,σˉw2)S \sim \mathcal{N}(\bar{\mu}_w, \bar{\sigma}_w^2)，由预测权重推断的均值和方差。

动态边距（按每条射线的 JS 散度缩放）：

ϵdyn=ϵmin(1+αJ∗),α=1,ϵmin=0.5  m\epsilon_{dyn} = \epsilon_{min}(1 + \alpha J^*), \quad \alpha=1,\quad \epsilon_{min}=0.5\;\text{m}

其中 J∗=clip(JS(G∥S),  JSmin=1,  JSmax=10)J^* = \text{clip}(JS(G\|S),\; JS_{min}=1,\; JS_{max}=10)。预测差（J∗J^* 大）→ ϵdyn\epsilon_{dyn} 大（深度范围宽，快学）；预测好（J∗J^* 小）→ ϵdyn\epsilon_{dyn} 小（深度范围窄，防遗忘）。

JS 主损失（权重分布对齐）：

LJS=∥wi∗−wi∥1+∥1−∑iwi∥1\mathcal{L}_{JS} = \|w_i^* - w_i\|_1 + \|1 - \textstyle\sum_i w_i\|_1

wi∗=G(ti)/∑jG(tj)w_i^* = G(t_i)/\sum_j G(t_j)，即目标高斯 G=N(t;z∗,σ∗2)G = \mathcal{N}(t; z^*, \sigma^{*2}) 在各采样深度 tit_i 处的值归一化后的目标权重；wiw_i 为网络预测权重。第二项 ∥1−∑iwi∥1\|1-\sum_i w_i\|_1 惩罚预测权重不归一（即确保 ∑wi=1\sum w_i = 1，使预测分布为合法概率分布）。

注：论文取 JSmin=1,JSmax=10JS_{min}=1, JS_{max}=10（clip 范围），与标准 JS 散度 ∈[0,1]\in[0,1] 不符 — 实现中可能使用未归一化（不乘 12\frac12）的 JS 度量或对 KL 散度之和，具体缩放以论文源码为准。

总损失：

L(Θ)=LJS+λ1Ldepth+λ2Lsky\mathcal{L}(\Theta) = \mathcal{L}_{JS} + \lambda_1\mathcal{L}_{depth} + \lambda_2\mathcal{L}_{sky}
  • Ldepth=∥D^(r)−z∗∥22\mathcal{L}_{depth} = \|\hat{D}(\mathbf{r}) - z^*\|_2^2，λ1=5×10−3\lambda_1 = 5\times10^{-3}（弱权辅助约束）
  • Lsky=∥w∥1\mathcal{L}_{sky} = \|w\|_1 对指天射线，λ2=1\lambda_2 = 1（惩罚天空方向的虚假表面）

3.4 建图系统

建图线程按时间选关键帧（每 3 s 一帧），窗口 8 帧，联合优化 MLP 参数 Θ\Theta + 位姿（6-DoF twist ξ^i\hat{\xi}_i）。

历史关键帧重放：优化窗口 = 当前关键帧 + 随机采样的历史关键帧 → 维持全局地图一致性（避免只优化最近帧导致遗忘）。消融显示去掉重放后 ATE 从 0.029 m 升至 0.077 m。

建图 ~18 Hz（56 ms/次，每关键帧 50 次迭代 = 2.79 s/关键帧）；跟踪 14 ms/帧，5 Hz。

4. Experiments & Results

数据集

数据集 场景 评估
Fusion Portable MCR Slow 01 (室内)、Canteen Day、Garden Day (半室外) ATE
Newer College Quad Easy (室外大场景，2 圈) ATE

跟踪精度 (ATE RMS, m)

对比：L_CLONeR（CLONeR 的 LiDAR-only 变体，同组前序工作，无 JS 动态边距）。

序列 LeGO-LOAM L_CLONeR LONER
MCR Slow 01 0.052 0.034 0.029
Canteen Day 0.129 0.071 0.064
Garden Day 0.161 0.073 0.056
Quad Easy 0.126 0.306 0.130

LONER 在 4 序列中均超过 LeGO-LOAM；L_CLONeR 在 Quad Easy (最大最开阔序列) 退化严重，LONER 鲁棒。

建图质量 (MCR Slow 01)

Metric NICE-SLAM SHINE LONER
Accuracy (m) ↓ 0.621 0.164 0.186
Completion (m) ↓ 0.419 0.075 0.069
Recall ↑ 0.476 0.757 0.932

LONER 补全率 (Recall 0.932) 最高，接近 SHINE（SHINE 需 GT 位姿）。

LONER 在 Fusion Portable / Newer College 上的稠密重建结果

5. Ablation & Discussion

SLAM 框架消融 (MCR Slow 01)：

配置 ATE (m)
无位姿优化 0.077
全 LONER 0.029

位姿联合优化贡献巨大 (2.7× 提升)。

损失函数消融 (MCR Slow 01)：

配置 ATE (m) Depth L1
仅深度损失 0.046 0.355
深度 + LOS 0.033 0.338
全 LONER 0.029 0.284

JS 动态边距损失是最关键项；天空损失在室外场景防止虚假远端表面。

6. Strengths / Limitations / Future Work

Strengths

  • 首个实时 LiDAR-only 神经隐式 SLAM（5 Hz 跟踪 + 18 Hz 建图）
  • JS 动态边距在线自适应防遗忘，理论严谨
  • ATE 优于传统 LeGO-LOAM，同时产出稠密隐式地图

Limitations

  • 仅限静态/慢速场景（无动态物体处理）
  • 无 RGB — 不产出颜色地图
  • 天空分割需近似水平 LiDAR 姿态，坡道/俯仰运动处理有限
  • 无回环闭合

Future Work

  • 动态物体处理
  • 城市级大场景扩展
  • IMU 集成提升跟踪鲁棒性

References

  • Isaacson, S., et al. (2023). LONER: LiDAR Only Neural Representations for Real-Time SLAM. IEEE RA-L 2023. arXiv:2309.04937
  • 项目页: umautobots.github.io/loner
  • NeRF-LOAM 笔记：同期 LiDAR 神经隐式 SLAM，侧重离线重建质量
  • Shan & Englot (2018). LeGO-LOAM (IROS)：传统 LiDAR 里程计对照