《IEEE Sensors Journal》2025年8月综述：退化环境中的SLAM技术前沿进展

作者与机构
本文由Wenda Wang、Qiuzhao Zhang*（中国矿业大学）、Yongfeng Hu、Michal Gallay（Pavol Jozef Šafárik University, Slovakia）、Wen Zheng和Jianye Guo合作完成，发表于2025年8月的《IEEE Sensors Journal》，DOI编号10.1109/JSEN.2025.3584218。研究受中国矿业大学研究生创新计划、江苏省研究生科研与实践创新计划等资助。

研究背景与目标
同时定位与建图（Simultaneous Localization and Mapping, SLAM）是机器人自主导航的核心技术，依赖激光雷达（LiDAR）、惯性测量单元（IMU）和视觉传感器实现未知环境中的高精度定位与地图构建。尽管SLAM在理想条件下已趋于成熟，但在退化环境（如GNSS拒止、视觉退化或特征退化场景）中的鲁棒性仍面临挑战。本文系统梳理了SLAM在单一退化环境（如无GNSS信号、弱光照、重复结构）和复杂退化环境（如矿井、隧道、室内低纹理场景）中的最新进展，并探讨未来发展趋势，旨在为自动驾驶、智能采矿等领域的退化环境导航提供理论支撑。

主要观点与论据

1. 退化环境的分类与挑战
   退化环境定义为传感器功能因外部干扰（如信号遮挡、电磁噪声、光照不足）而受损的场景，分为三类：

   • GNSS拒止环境（GNSS-denied）：城市峡谷、森林等区域因信号遮挡导致定位失效。例如，图2显示城市高楼导致多径效应，GNSS误差显著增加。
     
   • 视觉退化环境（Visually-degraded）：烟雾、黑暗或过曝环境使视觉SLAM失效。图3展示火灾救援（a）、黑暗隧道（b）和光照不均的盾构隧道（c）三类典型场景。
     
   • 特征退化环境（Feature-correspondence degradation）：低纹理或重复结构（如矿井巷道、长走廊）导致特征匹配失败。图4显示矿井工作面的稀疏纹理（a）和重复几何特征（b）引发大量误匹配。
     

2. 单一退化环境中的SLAM技术突破

   • GNSS拒止环境：多传感器融合成为主流。例如，Zhang等提出的LOAM算法通过激光雷达与IMU紧耦合，在无GNSS的 urban canyon中实现厘米级定位（表Ⅱ）。视觉辅助方案如ORB-SLAM2通过Bundle Adjustment优化特征点，提升单目相机的定位稳定性。
     
   • 视觉退化环境：热红外相机（Thermal-IR）和深度学习特征提取是关键。Zhao等提出的TP-TIO框架利用轻量级网络提取热红外图像特征，在烟雾环境中定位误差较传统方法降低40%（表Ⅲ）。
     
   • 特征退化环境：异常匹配剔除策略显著提升鲁棒性。Yang等提出的SAC-COT算法通过兼容性三角采样，在99%异常点情况下仍能保持高精度配准（表Ⅳ）。
     

3. 复杂退化环境的SLAM解决方案

   • 矿井环境：半结构化特性（如巷道墙壁）被用于约束优化。Yang等（2022）通过IMU预积分补偿点云运动畸变，结合平面特征检测，将地下煤矿机器人的建图误差控制在1.2%以内（表Ⅴ）。
     
   • 隧道环境：几何退化问题通过强度信息辅助缓解。Li等（2021）在LOAM中引入反射强度特征，解决盾构隧道中的轴向漂移问题。
     
   • 室内退化环境：多模态传感器融合表现优异。Hu等提出的LVI-SLAM融合激光、视觉与IMU数据，在玻璃走廊等挑战场景中实现0.9%的建图误差。
     

实验验证与性能对比
作者在New College、HILTI等数据集上测试了Fast-LIO2、COIN-LIO等算法。例如：
- 矿井序列（图8）：COIN-LIO因强度投影优化在低光照巷道中表现最佳，而纯激光方案Light-LOAM因几何退化导致轨迹漂移。
- 盾构隧道序列（图9）：ReLead算法通过附加里程计约束，显著减少轴向退化误差，定位精度优于其他方法（表Ⅵ）。

研究意义与创新点
1. 学术价值：首次系统总结了退化环境下SLAM的感知退化机制与算法演进路径，填补了该领域综述空白。
2. 技术革新：
- 提出热红外SLAM框架，解决黑暗环境中的纹理捕获难题；
- 开发基于图神经网络的异常匹配剔除器（如SuperGlue），提升特征退化场景的鲁棒性。
3. 应用前景：为无人采矿、隧道巡检、灾难救援等极端环境应用提供可靠导航方案。

亮点总结
- 全面性：覆盖GNSS拒止、视觉退化、特征退化三类场景及矿井等复合退化环境；
- 前沿性：评述深度学习与多传感器融合等SOTA技术；
- 实证支撑：通过6类数据集验证算法性能，数据详实。

（注：全文术语首次出现均标注英文，如“同时定位与建图（SLAM）”；作者及期刊名保留原语言；实验细节与结果部分严格依据原文数据展开。）