首页 / 博客 / KISS-ICP激光里程计极简管道让Point-to-Point ICP重生
ESC
输入关键词搜索文章标题和内容

KISS-ICP激光里程计极简管道让Point-to-Point ICP重生

2026-05-01 | 机器人 | 5
SLAM 激光里程计 点云

本文由 linuxROS 整理发布，首发于 linuxros.cn，转载请注明出处。

KISS-ICP激光里程计极简管道让Point-to-Point ICP重生

项目概览与核心定位

核心功能与设计哲学

KISS-ICP 是波恩大学 Cyrill Stachniss 教授团队开源的3D LiDAR里程计管道，名字取自工程界的经典原则——KISS（Keep It Simple, Stupid）。在SLAM领域普遍追求"加法"的今天，KISS-ICP反其道而行，用最简单的Point-to-Point ICP实现了与SOTA方法持平的精度，且零调参、即插即用。

项目核心只做四件事：体素降采样、自适应阈值、Point-to-Point ICP配准、运动补偿。没有特征提取，没有深度学习，没有IMU融合——但就是能跑，而且跑得比传感器帧率还快。

目标用户与适用场景

  • 需要LiDAR里程计的移动机器人开发者
  • 从事SLAM/里程计研究的学术人员
  • 仓库AGV/AMR的工程落地团队
  • 想快速验证LiDAR定位方案的集成商
  • 对ICP算法原理感兴趣的学习者

解决的核心问题

  • 现有LiDAR里程计需要针对不同传感器反复调参
  • 复杂系统（LOAM系列、LIO-SAM）依赖过多，部署困难
  • Point-to-Point ICP被认为"过时"，但实际是被误用
  • 不同运动模式（车辆/无人机/手持/Segway）需要不同配置
  • 里程计系统运行速度低于传感器帧率，无法实时

目录结构与核心文件

kiss-icp/
├── cpp/                              # C++核心实现
│   └── kiss_icp/
│       ├── core/                     # 核心算法模块
│       │   ├── Registration.cpp      # ICP配准（Gauss-Newton优化）
│       │   ├── VoxelHashMap.cpp      # 体素哈希局部地图
│       │   ├── Threshold.cpp         # 自适应阈值
│       │   ├── Preprocessing.cpp     # 预处理（范围裁剪）
│       │   └── Deskew.cpp            # 运动补偿（去畸变）
│       ├── pipeline/                 # 管道封装
│       │   ├── KissICP.hpp           # 主类（89行，极简）
│       │   └── KissICP.cpp           # RegisterFrame实现
│       ├── metrics/                  # 评估指标
│       └── kiss_icp_pybind/         # pybind11 Python绑定
├── python/                           # Python接口与可视化
│   ├── kiss_icp/                    # Python包
│   │   ├── tools/                   # Kissualizer可视化器
│   │   ├── datasets/                # 数据集加载器
│   │   └── pipeline.py              # Python管道封装
│   └── README.md
├── ros/                              # ROS2封装
│   ├── kiss_icp/                    # ROS2节点
│   └── README.md
├── eval/                             # 评估脚本（EVO工具）
├── config/                           # 默认配置文件
└── Makefile                          # 开发快捷命令

核心文件说明：

文件 行数 用途
cpp/kiss_icp/pipeline/KissICP.hpp 89 主类定义，仅4个成员模块，极简设计
cpp/kiss_icp/core/Registration.cpp ~150 Point-to-Point ICP配准，Gauss-Newton+Robust Kernel
cpp/kiss_icp/core/VoxelHashMap.cpp ~200 体素哈希地图，O(1)近邻查询
cpp/kiss_icp/core/Threshold.cpp ~80 自适应阈值，基于运动先验动态调整
cpp/kiss_icp/core/Deskew.cpp ~60 恒速模型运动补偿
cpp/kiss_icp/core/Preprocessing.cpp ~30 范围裁剪（max_range/min_range）

架构设计与模块关系

整体架构与数据流

flowchart TB subgraph 输入["输入层"] direction TB I1["3D LiDAR点云"] I2["时间戳(可选)"] end subgraph 管道["KISS-ICP管道"] direction TB P1["Preprocessing<br/>范围裁剪"] P2["VoxelDownsampling<br/>体素降采样"] P3["AdaptiveThreshold<br/>自适应阈值"] P4["Registration<br/>Point-to-Point ICP"] P5["Deskew<br/>运动补偿"] P6["VoxelHashMap<br/>局部地图更新"] P1 --> P2 --> P3 --> P4 --> P5 --> P6 end subgraph 输出["输出层"] direction TB O1["SE3位姿估计"] O2["局部点云地图"] O3["去畸变点云"] end I1 --> P1 I2 --> P5 P4 --> O1 P6 --> O2 P5 --> O3 P6 -.->|下一帧| P3 style I1 fill:#E3F2FD,stroke:#1976D2 style I2 fill:#E3F2FD,stroke:#1976D2 style P1 fill:#E3F2FD,stroke:#1976D2 style P2 fill:#FFF8E1,stroke:#F9A825 style P3 fill:#FFF8E1,stroke:#F9A825 style P4 fill:#F3E5F5,stroke:#8E24AA style P5 fill:#F3E5F5,stroke:#8E24AA style P6 fill:#E8F5E9,stroke:#388E3C style O1 fill:#E8F5E9,stroke:#388E3C style O2 fill:#E8F5E9,stroke:#388E3C style O3 fill:#E8F5E9,stroke:#388E3C

核心类关系图

classDiagram class KissICP { -KISSConfig config_ -Registration registration_ -VoxelHashMap local_map_ -AdaptiveThreshold adaptive_threshold_ -SE3d last_pose_ -SE3d last_delta_ +RegisterFrame(frame) tuple +RegisterFrame(frame, timestamps) tuple +Voxelize(frame) tuple +LocalMap() vector +pose() SE3d +delta() SE3d } class Registration { +RegisterFrame(frame, map, threshold) SE3d -Align(frame, map,initial_guess) SE3d } class VoxelHashMap { -voxel_size_ double -max_range_ double -max_points_per_voxel_ int +AddPoints(points) +Pointcloud() vector +NeighborPoints(point) vector } class AdaptiveThreshold { -initial_threshold_ double -min_motion_th_ double +UpdateThreshold(delta) +ComputeThreshold() double } KissICP *-- Registration KissICP *-- VoxelHashMap KissICP *-- AdaptiveThreshold

技术栈与依赖选型

层级 技术选型 说明
核心算法 C++17 高性能Point-to-Point ICP实现
线性代数 Eigen3 矩阵运算与SVD分解
李群/李代数 Sophus SE3位姿表示与运算
并行计算 TBB (Intel Threading Building Blocks) 体素降采样与近邻查询并行化
哈希地图 tsl::robin_map 高性能体素哈希表
Python绑定 pybind11 C++核心→Python接口
可视化 Open3D / Kissualizer 点云与轨迹可视化
ROS集成 ROS2 (Humble/Iron/Jazzy/Kilted) 机器人系统即插即用
构建系统 CMake 跨平台编译
评估 EVO SLAM轨迹评估标准工具

系统流程与运行机制

单帧处理完整流程

flowchart TB A["🔴 原始3D点云"] --> B["范围裁剪+体素降采样"] B --> C{"首次帧?"} C -->|"是"| D["初始化局部地图"] D --> L C -->|"否"| E["计算自适应阈值"] E --> F["ICP配准+鲁棒核"] F --> G{"收敛?"} G -->|"否"| H["继续迭代 max 500"] H --> F G -->|"是"| I["输出SE3位姿"] I --> J["运动补偿/去畸变"] J --> K["更新局部地图"] K --> L["✅ 等待下一帧"] style A fill:#E3F2FD,stroke:#1976D2 style B fill:#E3F2FD,stroke:#1976D2 style C fill:#FFF8E1,stroke:#F9A825 style D fill:#E3F2FD,stroke:#1976D2 style E fill:#FFF8E1,stroke:#F9A825 style F fill:#F3E5F5,stroke:#8E24AA style G fill:#FFF8E1,stroke:#F9A825 style H fill:#FFEBEE,stroke:#D32F2F style I fill:#E8F5E9,stroke:#388E3C style J fill:#F3E5F5,stroke:#8E24AA style K fill:#E8F5E9,stroke:#388E3C style L fill:#E8F5E9,stroke:#388E3C

自适应阈值动态调整机制

flowchart TB A["🔴 上一帧delta"] --> B{"运动量>min_motion_th?"} B -->|"是"| C["阈值=运动量×系数"] B -->|"否"| D["阈值=initial_threshold"] C --> E["用于当前帧ICP对应点搜索"] D --> E E --> F["✅ 约束匹配范围<br/>避免错误对应"] style A fill:#E3F2FD,stroke:#1976D2 style B fill:#FFF8E1,stroke:#F9A825 style C fill:#E3F2FD,stroke:#1976D2 style D fill:#E3F2FD,stroke:#1976D2 style E fill:#F3E5F5,stroke:#8E24AA style F fill:#E8F5E9,stroke:#388E3C

VoxelHashMap查询流程

sequenceDiagram participant F as 当前帧点云 participant V as VoxelHashMap participant M as 局部地图 F->>V: 逐点查询近邻 V->>V: 计算体素坐标(x,y,z) V->>V: 哈希查找robin_map V->>M: 返回该体素及邻域内所有点 M-->>V: 近邻点集 V-->>F: 对应点对 F->>V: 配准完成后，添加新点到地图 V->>V: 更新体素（max_points_per_voxel=20）

技术特点与差异化优势

核心创新点

  • 为Point-to-Point ICP正名：论文核心论点——Point-to-Point不是不行，而是之前没人用对。关键在于自适应阈值+鲁棒核函数+体素降采样的组合，而非Point-to-Plane等"高级"变体
  • 自适应阈值（Adaptive Threshold）：根据上一帧的运动量动态调整ICP对应点搜索范围。运动大→阈值大，运动小→阈值小。无需手动设置correspondence distance
  • VoxelHashMap局部地图：用体素哈希替代KD-Tree，O(1)近邻查询，且自动控制地图密度（max_points_per_voxel=20），避免内存膨胀
  • Geman-McClure鲁棒核：在ICP优化中嵌入鲁棒核函数，自动剔除动态障碍物等外点，无需额外滤波
  • 恒速模型运动补偿：假设匀速运动，对LiDAR扫描中的运动畸变进行补偿，支持非重复扫描模式（如Livox）

与主流方案差异化对比

特点 KISS-ICP LOAM系列 LIO-SAM Cartographer
调参需求 零调参 多参数 多参数 多参数
IMU依赖 不需要 可选 必须 可选
核心算法 Point-to-Point ICP 特征提取+ICP 因子图优化 子地图+回环
代码复杂度 ~500行C++核心 数千行 数千行 数万行
运行速度 >传感器帧率 接近实时 接近实时 依赖配置
传感器适配 通用（任意3D LiDAR） 需适配 需适配 需适配
ROS依赖 可选 必须 必须 必须

代码质量与工程实践

  • C++核心仅约500行，每个模块职责单一
  • 89行头文件定义整个管道，4个成员变量清晰明了
  • MIT开源协议，商业友好
  • 276 commits，49 贡献者，37 个release
  • 完整的pre-commit hooks（clang-format + cmake-format）
  • 2026年4月26日刚发布 v1.3.0，持续活跃维护

工业落地案例

KISS-ICP已被Dexory公司部署在其全球仓库机器人车队中。Dexory开发了12米高的自主移动机器人，在仓库中实时扫描库存并构建数字孪生。同团队还基于KISS-ICP开发了Kinematic-ICP，引入轮式机器人运动学约束，在仓库走廊等退化场景中表现更优，同样部署在Dexory车队中。

适用场景与部署要求

主要适用场景

  1. 移动机器人LiDAR里程计：AGV/AMR的实时定位，零调参即用
  2. SLAM前端：作为SLAM系统的里程计前端，输出高质量位姿初值
  3. 3D建图：增量式构建点云地图，支持任意LiDAR传感器
  4. 里程计评估基准：标准化的评估脚本，基于EVO工具
  5. ICP算法教学：代码极简，适合理解ICP配准的每个细节

典型应用案例

案例 平台 LiDAR 说明
仓库AGV定位 Dexory AMR 3D LiDAR 全球仓库部署，工业级验证
无人车里程计 汽车平台 旋转式LiDAR MulRan数据集验证
无人机定位 UAV 3D LiDAR Voxgraph数据集，高加速度
手持扫描 Segway/手持 Livox LiDAR 非重复扫描模式，运动补偿
室内服务机器人 轮式平台 3D LiDAR NCLT数据集验证

支持的数据集格式

数据集 传感器类型 支持方式
KITTI Velodyne HDL-64 内置加载器
MulRan Ouster OS1-64 内置加载器
NCLT Velodyne PUCK 内置加载器
Newer College Ouster OS0-128 内置加载器
Voxgraph 3D LiDAR 内置加载器
自定义rosbag 任意3D LiDAR ROS2节点
自定义PCD/BIN 任意3D LiDAR Python API

部署环境要求

要求 最低配置 推荐配置
C++编译器 GCC 9+ / MSVC 2022 GCC 11+
Python 3.8+ 3.10+
CMake 3.16+ 3.24+
内存 4GB 16GB+
CPU 4核 8核+（TBB并行加速）
操作系统 Linux/macOS/Windows Ubuntu 22.04

不适用场景

  • 需要2D LiDAR里程计（仅支持3D LiDAR）
  • 需要回环检测与全局优化（KISS-ICP仅做里程计，不做SLAM）
  • 需要IMU紧耦合（可用Kinematic-ICP替代）
  • 需要实时重定位（无地图匹配功能）

快速上手与运行示例

环境要求清单

# 检查Python版本（需要3.8+）
python3 --version

# 检查C++编译器
g++ --version

# 检查CMake（源码编译需要）
cmake --version

三种安装方式

方式一：pip安装（30秒上手）

pip install kiss-icp

# 如需可视化功能
pip install "kiss-icp[all]"

# 验证安装
kiss_icp_pipeline --help

方式二：源码编译（开发者）

来自 linuxros.cn · linuxROS
# 克隆仓库
git clone https://github.com/PRBonn/kiss-icp.git
cd kiss-icp

# 安装开发依赖（仅需g++和pip）
sudo apt install g++ python3-pip

# 开发模式安装
make editable

方式三：ROS2集成

cd ~/ros2_ws/src/
git clone https://github.com/PRBonn/kiss-icp
cd ~/ros2_ws/
colcon build --packages-select kiss_icp

五种运行示例

1. 处理离线数据集

# 下载KITTI数据集后直接运行
kiss_icp_pipeline /path/to/kitti/sequences/00

# 使用自定义配置
kiss_icp_dump_config > my_config.yaml
kiss_icp_pipeline /path/to/dataset --config my_config.yaml

2. ROS2实时运行

# 启动KISS-ICP节点
ros2 launch kiss_icp kiss_icp.launch.py

# 或直接指定话题
ros2 run kiss_icp kiss_icp_node --ros-args \
  -p pointcloud_topic:=/velodyne_points

3. Python API调用

from kiss_icp.pipeline import KissICPPipeline
from kiss_icp.datasets import dataset_factory

dataset = dataset_factory(datalist=["/path/to/pointclouds"])
pipeline = KissICPPipeline(dataset=dataset)
pipeline.run()

4. C++核心API调用

#include "kiss_icp/pipeline/KissICP.hpp"

kiss_icp::pipeline::KISSConfig config;
config.voxel_size = 1.0;
config.max_range = 100.0;
config.deskew = true;

kiss_icp::pipeline::KissICP odometry(config);

for (const auto& frame : pointcloud_frames) {
    auto [source, map] = odometry.RegisterFrame(frame);
    Sophus::SE3d pose = odometry.pose();
}

5. 评估里程计精度

# 使用内置评估脚本
evo_ape kitti /path/to/gt.txt /path/to/pred.txt -va --align --correct_scale

推荐学习路径

顺序 内容 难度 预计时间
1 pip install + 运行demo数据 ⭐ 10分钟
2 阅读KissICP.hpp（89行） ⭐⭐ 20分钟
3 理解Registration.cpp（ICP核心） ⭐⭐⭐ 1小时
4 理解VoxelHashMap（地图表示） ⭐⭐⭐ 1小时
5 理解AdaptiveThreshold（自适应阈值） ⭐⭐ 30分钟
6 ROS2集成到自己的机器人 ⭐⭐⭐ 2小时
7 阅读论文（IEEE RA-L 2023） ⭐⭐⭐⭐ 2小时
8 尝试Kinematic-ICP扩展 ⭐⭐⭐⭐ 半天

在SLAM领域追求"更多特征、更复杂模型"的潮流中，KISS-ICP用89行头文件和500行C++核心证明了一个道理——简单，如果做对了，就是最强的复杂。零调参、全传感器适配、超传感器帧率——这就是KISS的力量。

版权声明

作者linuxROS
原文https://www.linuxros.cn/blog/KISS-ICP激光里程计管道_2026-05-01
协议本作品采用 CC BY-NC-SA 4.0 许可协议：署名-非商业性使用-相同方式共享
关注欢迎关注微信公众号 linuxROS，获取更多机器人 / 嵌入式 / Linux 干货
相关文章
加载中...
返回首页