引用本文

李健翔, 翟弟华, 丁子恺, 蔡鹏程, 夏元清. RC-LIO: 退化环境中多传感器融合补偿的激光雷达惯性里程计. 自动化学报, 2026, 52(6): 1260−1278 doi: 10.16383/j.aas.c250640

Li Jian-Xiang, Zhai Di-Hua, Ding Zi-Kai, Cai Peng-Cheng, Xia Yuan-Qing. RC-LIO: LiDAR-inertial odometry enhanced by multi-sensor fusion compensation under degraded environments. Acta Automatica Sinica, 2026, 52(6): 1260−1278 doi: 10.16383/j.aas.c250640

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c250640

关键词

点云去噪，多传感器融合，退化环境，激光雷达惯性里程计，粉尘去除

摘要

基于激光雷达的同步定位与建图在移动机器人和自动驾驶中得到广泛应用, 但是在雨、雪和粉尘等退化环境中, 激光束易受颗粒物散射干扰产生大量噪点, 导致地图失真和定位漂移. 本文提出毫米波雷达补偿的强度动态统计离群值去除方法(RC-IDSOR), 以实时滤除激光噪点并保留环境结构特征. 进一步构建雷达补偿的激光雷达惯性里程计(RC-LIO): 一方面, 优化动态局部协方差与设计强度置信度加权机制, 提高广义ICP匹配的稳定性; 另一方面, 在误差状态卡尔曼滤波预测中添加二阶补偿项, 提升IMU在高动态场景下的传播精度. 实验结果显示, RC-IDSOR在WADS数据集上的平均F-score超过0.85, 精确度提升约6.8%; RC-LIO在SubT-MRS退化场景中的平均绝对轨迹误差约为0.33 m, 在Snail-Radar强降雨环境下的定位误差较不启用滤波降低约49.6%. 最后将RC-LIO部署于重粉尘环境工业车辆, 测试算法短时重复定位误差小于5.6 cm, 且支持长时稳定运行, 具备实时性和工程可行性.

文章导读

随着自动驾驶与机器人技术的飞速发展, 实时且精确的环境感知与定位是实现机器人自主工作的核心关键. 在相关任务中, 激光雷达(LiDAR)因其能够获取高精度的三维环境几何信息而被广泛应用[1]. 诸多同步定位与建图(simultaneous localization and mapping, SLAM)方法, 如LOAM在结构化场景与高质量数据集中都取得了优秀的定位精度[2]. 然而, 在实际应用中, 诸如雨、雪、粉尘等恶劣天气与退化的作业场景给激光雷达感知带来巨大挑战. 这是因为在结构光的传播中, 遇到颗粒物时会产生散射, 导致点云数据产生噪声[3]. 这些噪声点不仅会污染环境地图, 更会导致错误的帧间匹配, 引起定位漂移, 进而造成整个SLAM系统的失效[4]. 因此, 设计精确的激光点云去噪方法以及鲁棒的里程计是实现无人系统准确感知、精确定位的关键[4−6].

本文提出雷达补偿的强度动态统计离群值去除(radar-compensated intensity-based dynamic statistical outlier removal, RC-IDSOR)融合去噪方法与雷达补偿的激光雷达惯性里程计(radar-compensated LiDAR-inertial odometry, RC-LIO). 通过设计RC-IDSOR中的动态阈值计算方法以及毫米波点云先验补偿方法, 实现噪声与环境的准确分割. 由此, RC-LIO在数据预处理阶段得以剔除点云噪点, 从而获得准确的环境信息. 接着在RC-LIO中, 重新构建点云协方差, 通过为协方差添加各项同性补偿与使用强度置信度加权, 提高点云约束的可信度; 提出自适应ESKF用于IMU前向传播. 在ESKF的基础上, 设计非线性修正项, 添加到协方差传播的雅可比矩阵, 补偿瞬时的IMU抖动偏差, 以实时修正系统协方差传播过程, 进而提升IMU模型在高动态场景下的传播精度.

本文构建了涵盖数据集验证与真实场景应用的多层级实验体系以全面评估算法的综合性能与泛化能力. 在数据集验证层面, 选取WADS、SubT-MRS、Snail-Radar公开数据集进行系统性测试[9, 30−31]. 结果表明, RC-IDSOR在WADS上对降雪噪声的去除精度较LIDSOR有所提升; RC-LIO在SubT-MRS复杂退化场景中保持较低的轨迹漂移, 平均绝对轨迹误差小于SubT-MRS挑战参赛算法误差. 在Snail-Radar的降雨环境中, 基于RC-IDSOR的RC-LIO较其他滤波方法以及缺乏滤波环节的里程计具有更高的定位精度. 在实际工业验证层面, 本文将所提算法部署于极端粉尘环境下的工业铲运作业车辆的ARM边缘计算平台. 实验结果定性表明RC-IDSOR显著改善粉尘场景下的点云密度与几何一致性. 通过统计资源占用和算法速率, 验证了算法的实时性. RC-LIO的短时重复定位误差维持在厘米级别, 并且在长时作业中端到端的$ z $轴漂移较小. 该结果表明, RC-LIO具备良好的工程可行性与应用潜力. 整体研究为实现全工况下高可靠的移动机器人自主定位提供了一条有效的技术路径.

图1  RC-LIO算法流程图

图2  毫米波点云与激光点云时空对齐

图3  RC-IDSOR去噪算法流程图

本文针对激光雷达在雨、雪、粉尘等退化环境下点云噪声干扰严重、感知能力下降的问题, 提出一种4D毫米波雷达补偿的激光点云去噪方法RC-IDSOR, 并构建了相应的紧耦合激光雷达惯性里程计系统RC-LIO. 主要贡献如下:

1)提出RC-IDSOR融合去噪方法, 通过毫米波雷达点云对激光点云中的可靠目标进行空间标记与补偿, 结合动态半径滤波与强度筛选, 在有效滤除激光噪声的同时保持良好的环境结构完整性.

2)构建RC-LIO紧耦合里程计框架, 将融合点云与IMU数据深度融合, 采用自适应ESKF与优化的GICP耦合优化策略, 在SubT-MRS退化场景中实现了优于现有主流算法的定位精度, 平均绝对轨迹误差最低达到0.04 m; 在Snail-Radar数据集强降雨场景中, 多传感器融合降低了约49.6%的绝对轨迹误差, 有效抑制了定位漂移.

3)在真实工业场景中验证了系统的可行性与实用性. 在粉尘密集的仓储作业环境中, RC-LIO被部署于Jetson AGX Orin计算平台建立去噪地图. 其对计算资源占用适中, 点云处理、里程计更新速率均大于10 Hz. 在短时工作中, RC-LIO的重复定位误差小于5.6 cm, 优于未使用去噪模块的基准系统; 在长时工作中, RC-LIO端到端的$ z $轴漂移最小. RC-LIO有效支撑了机器人在退化感知条件下的实时、持续稳定工作.

实验结果表明, 本文所提出的RC-IDSOR方法在噪声识别准确性与环境信息保留方面取得了良好平衡, RC-LIO系统在多种退化环境中均表现出优异的鲁棒性与实时性. 未来工作中, 本文将进一步研究多传感器时序对齐的优化策略, 并探索自适应滤波机制, 以提升系统在更复杂动态环境中的泛化能力.

作者简介

李健翔

北京理工大学自动化学院硕士研究生. 主要研究方向为多传感器融合的SLAM, 点云去噪. E-mail: 3120240869@bit.edu.cn

翟弟华

北京理工大学自动化学院副教授. 主要研究方向为智能机器人, 网络机器人, 机器人视觉, 医学人工智能, 切换控制和最优控制. 本文通信作者. E-mail: zhaidih@bit.edu.cn

丁子恺

北京理工大学自动化学院博士研究生. 主要研究方向为图优化的SLAM, 机器人感知. E-mail: 3220245206@bit.edu.cn

蔡鹏程

北京理工大学自动化学院硕士研究生. 主要研究方向为强化学习, 机器人感知. E-mail: 3220241249@bit.edu.cn

夏元清

北京理工大学自动化学院教授. 主要研究方向为云控制系统, 网络化控制系统, 鲁棒控制与信号处理, 自抗扰控制, 无人系统控制和飞行控制. E-mail: xia_yuanqing@bit.edu.cn

支持单位：