视觉里程计（Visual Odometry，VO）和激光里程计（Lidar Odometry，LO）都是机器人定位的关键技术。VO通常通过分析连续的图像序列来估计移动平台的运动状态，其优势在于可以提供高密度的场景信息，但缺点是容易受到光照和纹理不足的影响。另一方面，LO利用激光扫描仪捕获的数据，通过匹配不同时间点的点云来估计位姿变化，具有很高的测量精度，但其稀疏性限制了应用场景。本文提出的直接视觉-Lidar里程计算法（Visual-Laser Odometry），旨在结合两者的优点，实现精确的运动估计。
论文提出的方法首先从激光数据中提取平面点，并在图像中提取对应的像素面片。这个过程中利用单应性方程来对齐两幅图像中的像素。通过平面像素面片和非平面像素的联合估计，可以克服激光扫描的稀疏性问题。同时，为了处理遮挡带来的挑战，该方法显式地预测并处理了图片中的遮挡像素。这种处理遮挡像素的方式基于像素投影顺序变化的观察，可以有效识别并剔除因遮挡而导致的匹配误差。
文章的两阶段匹配策略是一个重要的创新点。第一阶段是粗略估计，通过结合光度像素对齐和几何点云对齐，得到初始的位姿估计；第二阶段是精细优化，通过单独对齐像素灰度来优化初始估计，从而提高估计的精度。
在实现的算法中，作者使用了KITTI数据集和Clearpath Husky平台采集的数据来评估算法性能。实验结果表明，该方法可以得到较高精度的运动估计，并生成一致注册的彩色点云。这种高精度估计对于实时导航、机器人定位和运动控制等领域具有重要意义。
在相关工作部分，作者介绍了现有的Lidar-视觉里程计方法主要分为两大类：基于视觉里程计的方法和基于点云注册的方法。基于视觉里程计的方法主要通过点云为像素提供深度信息，但这类方法忽略了点云可能超出相机视场的问题，导致大量信息的丢失和系统精确度的降低。基于点云注册的方法则更注重使用点云进行场景对齐，而影像信息主要起辅助作用。部分文献尝试通过颜色信息引导ICP算法，加速数据关联过程，但可能会遇到误匹配问题。
在对点云的处理中，遮挡检测是一个关键环节。传统的Z缓冲区方法在稠密的深度图像中使用较多，但对于稀疏点云，需要更精细化的方法。文章提出的遮挡处理方法，基于对点云投影到图像中像素顺序变化的分析，能够识别和剔除被遮挡的点云，确保在光度对齐过程中的精度。
本文提出的直接视觉-Lidar里程计方法，结合了激光与相机的信息，通过精细化的处理方法克服了单一传感器的局限，为移动平台的精确运动估计提供了新的解决方案。这种方法不仅可以应用于无人驾驶汽车，也可以在工业自动化、机器人探索等领域中发挥重要的作用。
