基于LiDAR-IMU SLAM框架的自主模块化巴士精准对接系统研究：解决垂直漂移与动态遮挡的创新方案

为解决自主模块化巴士（AMB）对接过程中因动态遮挡和垂直漂移导致的定位精度不足问题，研究人员提出增强型LiDAR-IMU SLAM框架，通过两阶段地面约束匹配、IMU姿态约束因子图优化及深度学习前车检测技术，将绝对位姿误差（APE）降低至0.5346米，相对位姿误差（RPE）控制在1.3862度/100米，显著提升复杂场景下的定位鲁棒性，为城市智慧交通提供关键技术支撑。

　　

随着城市化进程加速，交通拥堵和能源消耗成为全球性难题。传统公交系统因固定路线和容量限制，难以应对高峰时段的客流波动。自主模块化巴士（Autonomous Modular Bus, AMB）的创新构想应运而生——这种可动态对接的模块化车辆能在行驶中灵活组合，实现"不停车换乘"，从而提升运输效率并降低能耗。然而，精准对接需要亚米级的定位精度，尤其在垂直方向（z轴）的误差必须控制在厘米级，否则机械连接机构无法安全耦合。更棘手的是，对接过程中前车会持续遮挡后车的LiDAR传感器，而现有LiDAR惯性同步定位与建图（LiDAR-IMU SLAM）算法如LIO-SAM在动态场景中表现欠佳，存在显著的z轴漂移问题。

针对这一技术瓶颈，国内某研究机构的研究团队在《Green Energy and Intelligent Transportation》发表论文，提出了一套创新解决方案。通过融合两阶段地面约束匹配、周期性因子图重置和基于PointPillars深度学习的前车检测技术，成功将z轴定位误差降低84.5%（RMSE 0.2771米），在双车对接实验中绝对位姿误差（APE）仅0.0678米。这项研究为城市智慧交通系统提供了关键技术支撑，有望推动模块化公交的商业化落地。

研究团队采用三大核心技术：首先，开发了包含地面分割和两阶段匹配的扫描-地图对齐方法，利用地面点云稳定z轴估计；其次，设计周期性重置的因子图结构，每50个LiDAR因子重置一次以抑制长期漂移；最后，基于1,793帧LiDAR数据训练PointPillars网络，实现前车检测（CEP68精度0.02米）及点云过滤。实验采用配备32线LiDAR和RTK-IMU的微型巴士，在1200米单车和53米双车场景中验证性能。

研究结果部分：

1. 单车定位增强：通过两阶段匹配（先地面后非地面特征）和IMU横滚/俯仰约束，z轴RMSE从LIO-SAM的1.7895米降至0.2771米。因子图周期性重置使长距离ATE降低67.1%。
2. 双车对接优化：前车点云过滤机制将APE从0.1667米降至0.0678米，RPE改善47%。PointPillars网络实现0.36°的航向检测精度。
3. 颠簸处理：基于IMU Z轴加速度阈值（队列长度20帧）的颠簸检测模块，有效抑制了路面不平导致的定位跳变。

讨论部分指出，该研究首次系统解决了AMB对接中的垂直漂移和持续遮挡难题。通过硬件-算法协同设计，在保持10Hz实时性的同时达成厘米级定位，满足机械对接的严苛要求。局限性在于当前算法依赖平坦路面假设，未来需拓展至坡道等复杂地形。这项技术不仅适用于AMB，还可迁移至自动驾驶卡车编队、AGV集群等场景，为智慧物流提供新思路。研究团队计划下一步在真实比例巴士上验证系统，并开发适应城市复杂环境的动态障碍物处理模块。