本文研究由北京信息科技大学自动化学院及高动态飞行器自主导航与控制北京市重点实验室的陶天琦、赵辉、刘宁、刘炳琪、苏中等人完成，发表于《电子测量与仪器学报》（Journal of Electronic Measurement and Instrumentation）2026年第40卷第1期。该研究针对人员携带激光雷达在复杂运动条件下的定位与建图问题，提出了一种融合运动强度和点云密度的激光同步定位与建图（Simultaneous Localization and Mapping, SLAM）算法。
SLAM技术是移动平台在未知环境中实现自主定位与环境感知的核心技术，尤其在应急救援、特种作业及单兵作战等卫星拒止环境中，基于激光雷达的SLAM技术因其主动感知、不依赖外部信标、可直接获取真实尺度三维结构信息等优势，成为人员自主定位的重要技术途径。现有主流算法如LIO-SAM、FAST-LIO2和Faster-LIO等，虽然在各自侧重点上取得了良好效果，但大多继承自车辆或轮式机器人平台，其运动模型假设载体具有较为平滑的运动特性。
然而，在人员携带或可穿戴定位这一特殊应用场景中，存在三个突出问题：第一，人员行走晃动、快速转身及手持抖动等行为使传感器运动呈现明显的非匀速性与随机性，固定参数的点云补偿尺度难以有效应对；第二，现有系统在地图分辨率、更新频率及关键帧选取策略等方面采用固定参数设置，缺乏根据运动状态实时调整的机制；第三，在稀疏结构环境中，固定体素分辨率会造成细小结构被过度滤波或丢失。因此，本研究旨在从系统层面将人员实时运动状态与补偿方式、子帧划分尺度及局部地图维护参数进行统一调节与协同优化。
本研究以LIO-SAM框架为基础进行改进，整体框架由三个核心模块构成：运动状态判定、点云去畸变与特征提取、自适应局部地图维护。其核心逻辑是以惯性测量单元（Inertial Measurement Unit, IMU）实时估计的人员运动状态为依据，驱动点云预处理与地图维护策略的自适应调整，最终通过后端因子图优化实现高鲁棒性的轨迹估计与建图。
运动状态判定机制：研究首先利用单帧扫描周期内的IMU角速度模长均值与非重力加速度偏差构建运动强度指标。具体而言，对每个IMU样本计算角速度模长以反映左右倾斜、上下摆动和水平转向的旋转变化，同时计算加速度模长相对于重力加速度的绝对残差以反映身体起伏或设备振动。通过将帧级角速度特征和加速度变化特征进行加权融合（角速度特征权重取1.0，加速度残差特征权重取0.15），构建运动强度指标。根据低运动阈值和高运动阈值，将人员运动状态划分为平稳运动、一般运动和剧烈运动三个等级。同时，研究还综合考虑IMU数据覆盖率、激光点时间信息可用性和点云有效比例，构建运动判定置信度，用于评价当前运动状态判定结果的可靠性。
子帧轨迹建模与逐点补偿：在获得运动状态后，研究根据运动程度自适应确定子帧数量。平稳运动状态采用1至2个子帧，一般运动状态采用3至4个子帧，剧烈运动状态采用5至8个子帧，运动强度越大，单位时间内设置的轨迹节点越多。为避免运动强度在阈值附近波动导致子帧数量频繁跳变，研究限制了相邻点云帧之间最多增减一个子帧。在各子帧边界建立IMU积分位姿后，结合激光点精确时间戳与IMU积分位姿，通过四元数球面线性插值和平移线性插值估计各激光点采集时刻的逐点位姿，实现运动畸变的高精度校正。
局部地图参数联合调节：研究接收前端输出的运动强度、运动状态和判定置信度，结合稀疏体素地图的点云密度，联合调整体素分辨率、局部地图范围和近邻搜索半径。首先计算当前帧请求的地图运动等级，并采用连续两帧确认机制确定实际采用的地图运动等级，以抑制地图维护参数在状态边界处频繁切换。在点云密度计算方面，分别维护角点体素和面点体素，计算各自的平均每体素原始点数，并以0.35和0.65的权重融合为综合点云密度。同时采用指数滑动平均进行密度平滑，避免地图参数随单帧密度突变。
自适应体素地图维护：根据实际地图运动等级和局部点云密度，联合调节体素分辨率、局部地图范围和近邻搜索半径。剧烈运动或局部点云稀疏时，算法通过减小体素边长并增大局部地图范围和近邻搜索半径，保留更多有效结构；人员运动平稳且点云密集时，则适当增大体素边长并缩小地图范围。在关键帧插入阶段，研究设定了多重约束条件，包括建图置信度阈值、最大延迟时间、姿态和平移增量阈值等，以延迟低置信度剧烈运动帧并抑制冗余关键帧，减少异常点云和重复点云对局部地图的影响。
实验在Ubuntu 20.04系统环境下进行，采用AMD Ryzen 9 7945HX处理器，使用Eigen 3.3.7、PCL 1.10.0、ROS Noetic和EVO 1.31.1等工具。选取LIVOX-NAV-A-DIFF、QUAD-EASY和QUAD-MEDIUM三个序列进行验证，其中QUAD-EASY序列以正常步行速度在庭院区域完成两次环绕，时长约198秒，人员运动整体较平稳；QUAD-MEDIUM序列行走速度更快并包含传感器明显转动，时长约190秒，能够形成更强的角速度变化和帧内运动畸变。
在LIVOX-NAV-A-DIFF数据集上的建图结果表明，两种算法均能恢复场景的整体走廊结构及主要建筑轮廓，但本文算法生成的点云地图结构更加清晰，左侧房间区域、长走廊边界及内部隔断的点云分布更加集中，墙面和通道轮廓具有较好的连续性，局部结构信息保留更为充分。通过对两种算法生成的点云地图进行密度差异计算，发现建筑边界、通道轮廓以及场景内部结构等区域出现了较多连续的蓝色响应（表示本文算法点云密度更高），验证了运动状态与局部点云密度联合引导的自适应地图维护方法在保留有效结构信息方面的优化效果。
相较于原始LIO-SAM算法，本文方法在QUAD-EASY数据集上的绝对轨迹误差（Absolute Pose Error, APE）和相对位姿误差（Relative Pose Error, RPE）的均方根误差（Root Mean Square Error, RMSE）分别降低3.55%和28.71%，在QUAD-MEDIUM数据集上分别降低11.52%和17.74%。轨迹对比图显示，在局部转弯及运动状态变化较明显的区域，原始LIO-SAM轨迹出现了一定程度的局部偏离，而本文算法的估计轨迹与真值轨迹更加接近，轨迹过渡更加平滑，表明运动状态判定与自适应点云补偿能够减弱转弯及姿态变化对轨迹估计的影响。
本研究提出的融合运动强度和点云密度的自适应激光SLAM算法，通过运动状态判定与子帧级补偿减小了帧内点云错位，提高了轨迹估计精度；通过自适应局部地图维护兼顾了有效结构保留与点云冗余控制，改善了地图完整性和扫描匹配稳定性。从科学价值看，该研究从系统层面将人员实时运动状态与补偿方式、子帧划分尺度及局部地图维护参数进行统一调节，为复杂运动条件下的激光SLAM研究提供了新的思路。从应用价值看，该方法在应急救援、特种作业及单兵作战等场景中，能够为人员精准定位提供更可靠的技术支持。
本研究的主要亮点包括：第一，构建了基于帧内角速度均值与非重力加速度偏差的运动强度判别指标，实现了人员运动状态的精细化分类；第二，提出了运动强度驱动的子帧级逐点去畸变方法，能够根据运动状态自适应调整轨迹时间分辨率；第三，创新性地将运动状态与局部点云密度协同考虑，动态调节体素分辨率、地图更新频率及关键帧插入阈值，实现了参数的自适应配置；第四，在保持计算效率的同时，显著改善了剧烈运动条件下的定位精度和建图质量，尤其在相对位姿误差方面改善效果明显（QUAD-EASY数据集RPE降低28.71%）。