基于改进FAST-LIO2的温室多场景自主导航系统研究学术报告

一、作者与发表信息
本研究由浙江大学Zhenyu Huang、Ningyuan Yang（共同一作）、Runzhou Cao、Zhongren Li、Yong He及Xuping Feng（通讯作者）团队完成，发表于《Computers and Electronics in Agriculture》2025年第234卷。研究得到中央高校基本科研业务费（项目号226-2024-00038）支持。

二、学术背景
科学领域：本研究属于农业机器人导航与表型检测交叉领域，聚焦温室半结构化环境下的自主导航技术。
研究动机：温室作物育种需高效表型检测，但现有技术面临三大挑战：(1) GPS信号缺失导致定位漂移；(2) 温室结构多样性与狭窄空间限制路径规划灵活性；(3) 动态光照与稀疏几何特征影响SLAM（Simultaneous Localization and Mapping，同步定位与建图）精度。
研究目标：开发适用于草莓种质资源表型检测的自主导航系统，整合高精度定位、自适应数据采集与语音交互功能，解决Z轴漂移与全局地图一致性问题。

三、研究流程与方法
1. 硬件设计
- 平台构建：采用AgileX Bunker Mini履带底盘，搭载Livox Avia固态激光雷达（LiDAR）、Leishen N10P单线雷达、FDISystems N100mini九轴IMU（惯性测量单元）、Stereolabs ZED 2i立体相机及iFlytec M160c六麦克风阵列。
- 计算单元：NVIDIA Jetson Xavier NX工业计算机，运行Ubuntu 18.04与ROS Melodic系统，通过CAN总线（500 kbps）与底盘通信。

1. 改进FAST-LIO2全局建图

   • 地面约束优化：在世界坐标系初始化地面平面方程（z=0），通过迭代误差状态卡尔曼滤波（IESKF）将当前帧子地图的地面残差（旋转角α/β与平移距d）纳入优化，减少Z轴漂移。实验显示改进后Z轴漂移从2.08 m（场景1）降至0.22 m。
     
   • STD（Stable Triangle Descriptor，稳定三角形描述符）闭环检测：
     
     • 关键帧生成：累积激光扫描点云，使用区域生长算法分割平面体素，提取边界关键点构建K-D树。
       
     • 描述符匹配：通过三角形边长与法向量投影点积的哈希表匹配历史关键帧，结合RANSAC（随机抽样一致）与SVD（奇异值分解）计算位姿变换，提升地图一致性。
       

2. 多传感器融合定位

   • 局部定位：IMU与轮式编码器数据通过扩展卡尔曼滤波（EKF）融合，输出100 Hz的里程计到基坐标系的位姿。
     
   • 全局定位：改进FAST-LIO2输出10 Hz的地图到里程计位姿，辅以ICP（迭代最近点）重定位模块（1 m位置/30°朝向搜索范围）修正累积误差。
     

3. 基于示范路径的规划

   • 全局路径：录制操作员示范路径作为基准，通过A*算法实现点对点过渡，TEB（Time Elastic Band，时间弹性带）算法局部避障。
     
   • 有限状态机（FSM）：设计”空闲-记录-运行-暂停”四状态逻辑，嵌套”转向-跟随-等待”子状态机应对动态障碍。
     

4. 自适应数据采集与语音控制

   • Apriltag识别：在目标植株旁部署标签，触发暂停采集高清图像（成功率>98%）。
     
   • 语音模块：离线语音库与麦克风阵列声源定位实现全程语音交互，支持”开始采集”“报告进度”等指令。
     

四、主要结果
1. 建图精度：改进FAST-LIO2在三种温室场景中Z轴漂移均<0.34 m（原方法最高2.08 m），STD闭环检测使三维点云结构细节完整重建（图7）。
2. 导航性能：
- 场景适应性：总偏差标准差（SD）<2.6 cm（行间转向状态最差RMSE 5.9 cm），航向角SD<1.8°（图8）。
- 速度鲁棒性：0.2-0.4 m/s速度下总偏差AD（平均偏差）<4.7 cm，航向角RMSE<3.1°。
3. 数据采集：92个Apriltag重复测试3次，仅漏检4株（遮挡导致），图像清晰度满足表型分析需求（图9）。

五、结论与价值
1. 科学价值：提出地面约束与STD描述符的SLAM优化框架，为稀疏特征环境下的LiDAR导航提供新方法。
2. 应用价值：系统支持多品种草莓表型检测，5 cm级定位精度与语音交互功能可扩展至其他温室作物管理。
3. 技术普适性：模块化设计适配不同温室结构（平地/悬架/可调高度），硬件成本低于传统机械LiDAR方案。

六、研究亮点
1. 算法创新：首次将STD描述符与地面约束集成至FAST-LIO2，解决固态LiDAR窄视场下的闭环检测难题。
2. 系统集成：首次在农业机器人中实现示范路径规划与全流程语音控制的协同应用。
3. 性能突破：行间转向状态下仍保持厘米级定位精度（SD 2.55 cm），优于同类研究（如Jiang et al. 2022的2D栅格地图方案）。

七、其他价值
研究数据可通过请求获取，补充材料见DOI:10.1016/j.compag.2025.110279。未来拟集成多光谱传感器拓展表型数据维度。