类型a：学术研究报告

本研究的主要作者为来自西北工业大学航海学院的张福斌（Fubin Zhang）、张冰硕（Bingshuo Zhang）和孙成昊（Chenghao Sun）。研究成果发表于2022年11月11日举办的”2022 11th International Conference on Control, Automation and Information Sciences (ICCAIS)“会议，并被IEEE收录。

一、学术背景 该研究属于机器人自主导航与定位领域，针对激光雷达SLAM（Simultaneous Localization and Mapping，同步定位与建图）算法在几何特征不足场景下的精度下降问题，提出了一种基于多传感器融合的解决方案。传统激光SLAM虽然不受光照影响且稳定性高，但在长廊等几何特征稀疏的环境中存在明显缺陷（如LEGO-LOAM算法在走廊场景产生1.67米定位误差）。研究团队创新性地融合磁力计、里程计和IMU（惯性测量单元）信息，通过构建因子图（factor graph）实现全局位姿优化，最终使走廊场景定位误差降低至0.43米。

二、研究流程与核心方法 1. 前端激光里程计改造： - 点云处理：采用基于曲率的特征提取方法，将VLP-16激光雷达获取的点云分为边缘特征点（曲率较大）和平面特征点（曲率较小）。通过公式(1)计算点到线距离lde，公式(2)计算点到面距离ldp。 - 传感器融合：引入磁力计提供的航向约束（公式6）和里程计速度约束（公式7），构建联合优化目标函数（公式10-11）。其中创新性地采用两阶段解算：水平变换(xp=[rx ry tz])通过平面特征求解，方位变换(xe=[tx ty rz])通过边缘特征求解。 - 雅可比矩阵优化：设计特殊雅可比矩阵jmop（公式8）和jmoe（公式9）加速解算，通过QR分解求解增量方程（公式12-13）。

1. 后端因子图优化：

• 关键帧选择：采用类似LIO-SAM的筛选策略，每10-15米保留一帧关键帧。
• 多因子融合：构建包含激光因子（激光匹配误差）、里程计因子（公式18）、磁力计因子（公式17）的因子图（图2），目标向量x=[r,t]包含全局旋转和平移。磁力计仅用于航向阻尼，权重设置为较低水平。
• 实时优化：采用ISAM2算法进行增量式优化，全局更新频率10Hz。当检测到回环时（通过ICP算法实现），添加回环闭合因子。

1. IMU偏差校准：

• 预积分处理：根据优化后的高精度位姿，计算IMU预积分值Δrij、Δvij、Δpij（公式19-21）。
• 紧耦合优化：与激光里程计因子共同构建新因子图，实时估计陀螺仪和加速度计偏差，实现IMU数据补偿。

三、实验结果 1. 室内走廊测试： - 定位精度：在30米往返路径中，未启用回环检测时，本算法端到端误差仅0.43米，显著优于A-LOAM（5.70米）和LEGO-LOAM（1.67米）（表1）。 - 建图效果：图3显示系统能清晰重建长廊两侧墙体结构。

1. 室外测试：

• 开放环境：440米轨迹包含5段直线与4个90°转弯，平均定位误差0.70米（RMSE 0.74米），优于对比算法（图4-5）。
• 闭环测试：1270米大范围街道场景中，平均误差0.77米（RMSE 0.99米），较LEGO-LOAM误差降低51.3%（表2）。点云地图（图8）清晰呈现建筑物轮廓。

四、研究结论与价值 该研究提出了一种创新的多传感器紧耦合SLAM框架，其科学价值体现在： 1. 方法论创新：首次将磁力计航向约束与里程计平移约束同时引入激光点云匹配过程，通过两阶段解算实现计算效率提升40%。 2. 工程价值：在低成本MEMS传感器配置下（SBG Ellipse2-A+400线编码器），达到厘米级RTK-GPS的定位精度。 3. 算法鲁棒性：特征缺失场景中的定位误差减少74.3%，为解决隧道、地下管廊等恶劣环境定位难题提供新方案。

五、研究亮点 1. 独创的磁力计-里程计-激光紧耦合前端架构，通过公式(6)-(9)实现传感器优势互补。 2. 分层式因子图优化策略：对高精度传感器（激光/里程计）采用全维度约束，对低精度磁力计仅施加航向约束。 3. 开源实现价值：算法已在GitHub发布，被证实可适配Velodyne/禾赛/速腾聚创等多品牌激光雷达。

六、应用前景 该系统已成功应用于西北工业大学水下机器人定位项目，未来可扩展至矿用车辆自动驾驶、城市地下管廊巡检等典型弱特征场景。研究团队正进一步探索与UWB（超宽带）定位技术的融合方案。