FusionLVIR：一种面向几何退化人造环境的全局锚定与置信度感知地图维护多传感器移动测绘框架

《Advanced Engineering Informatics》：FusionLVIR: a multi-sensor mobile mapping framework with global anchoring and confidence-aware map maintenance for degenerate built environments

　　

## 摘要

在隧道、走廊和重复性结构等退化建筑环境中实现精确的长距离同时定位与建图（SLAM）仍然具有挑战性，因为弱可观测性会导致漂移累积，且不可靠的历史点会逐步降低地图几何精度。为此，提出了一种名为FusionLVIR的多传感器移动测绘框架，该框架建立在FAST-LIVO2的序贯激光雷达-相机-IMU估计器之上。将RTK位置观测纳入FAST-LIVO2的序贯误差状态迭代卡尔曼滤波器中，以提供间歇性全局锚定；同时采用一种深度与置信度感知的地图自清洁策略，选择性地替换不可靠的历史点，以保持局部几何一致性。在一组3.2公里自采六序列数据集上的实验，并辅以两条公开序列用于地图维护模块的外部验证，结果显示Seq01至Seq04的留一法对齐控制点RMSE均值为0.031米，四个回环序列的环路闭合误差均值为0.026米。受控消融实验表明，RTK全局锚定改善了长距离轨迹一致性，而置信度感知的地图自清洁减少了室内回环残差和地图厚度，并提高了与独立测量结构尺寸的一致性。敏感性分析验证了所选阈值的合理性，两条公开序列均表现出一致的局部地图维护指标改善，进一步支持了所提策略适用于退化地下和建筑环境中的长距离空间数据采集和自动建图。

## 引言

可靠的长距离同时定位与建图（SLAM）是建筑机器人、无GNSS室内定位与建图、建筑环境检查与监测以及大规模三维数字孪生中获取一致空间信息的关键能力[1][2][3][4][5]。随着SLAM越来越多地被部署到结构化室内环境之外，进入城市峡谷、地下隧道、工业厂房和长走廊，它必须在几何退化、弱纹理、频繁遮挡和多路径干扰的条件下保持定位精度和全局一致性[6][7][8][9]。

在此背景下，激光雷达、相机和惯性测量的紧耦合融合已成为主流解决方案[10]。FAST-LIVO家族[11]等代表性系统通过在误差状态迭代卡尔曼滤波器框架中整合多模态观测，实现了鲁棒性的显著提升。然而，它们的主导约束仍然主要来自相对观测。一个主要局限在于，在以长直结构、重复模式或近平面几何为主的场景中，局部观测模型可能变得弱可观测，导致沿退化方向的平移和旋转约束不足。因此，漂移会在长轨迹中累积[12]。虽然视觉观测可以提供互补信息，但在弱纹理、强反射、重度遮挡和光照突变条件下也会退化[13][14]。因此，主要由相对测量驱动的紧耦合系统在复杂退化环境中进行长距离运行时，仍难以保持可靠的全局一致性[15]。对于工程移动测绘而言，这种不一致性会直接影响生成的点云地图的可靠性，而点云地图是后续建筑环境检查、测量和数字化表达的空间基础。

另一个局限，尤其对于工程点云建图而言，是历史地图几何的逐步退化。在长距离观测或低信噪比条件下，测距噪声增大、点密度降低和法向估计不稳定共同损害了局部几何模型的可靠性[16][17]。一旦低质量点云被插入历史地图，它们会在后续帧到图配准中被反复使用，持续削弱点到平面约束的稳定性，逐步降低地图本身的几何完整性。大多数现有的抗退化策略聚焦于状态估计层，包括特征增强、自适应加权、残差重加权、后端图优化以及全局线索与局部运动约束的多源融合[18][19][20][21]，而作为几何约束来源的地图很少受到显式的在线质量维护[22]。

这两个局限本质上是耦合的。估计误差被嵌入历史地图，而退化的地图几何又削弱了帧到图配准。因此，长距离退化建图既需要轨迹层面的锚定，也需要地图层面的质量维护。

从传感器融合的角度来看，现有多传感器SLAM系统可以大致分为松耦合和紧耦合方案[23][24]。松耦合方法分别估计各传感器子系统，并通过初始化、姿态先验或图优化交换信息。例如，Zhang等人[25]在全局图中融合了独立估计的PPP/惯性和激光雷达子系统，提供了模块化的大规模定位能力，但限制了在退化场景中互补原始观测的直接使用。

紧耦合方法在统一估计器中融合异构观测。LIO-SAM、FAST-LIO[26]和FAST-LIO2通过因子图或迭代卡尔曼滤波器公式集成激光雷达和IMU测量，而R2 LIVE[27]、FAST-LIVO和FAST-LIVO2引入了视觉约束。尽管这些系统改善了局部精度和鲁棒性，但它们仍然主要由相对几何和光度观测主导[28]。在重复结构或弱可观测环境中进行长距离运行时，当外部参考或回环不可用时，全局漂移和地图退化可能会累积。

为抑制长期漂移，近期研究已引入绝对GNSS/RTK约束。He等人[29]提出了LIGO，通过激光雷达、IMU和GNSS的分层紧耦合融合实现全局定位和实时建图。Li等人[30]在统一EKF框架内紧集成多GNSS PPP、IMU、视觉和激光雷达观测，以提高城市环境中的连续定位精度。这些研究表明，GNSS/RTK观测对于增强全局定位约束和限制长期漂移是有效的。然而，其主要关注点仍然是轨迹层面的定位精度，而在重复帧到图配准中使用历史地图点的可靠性很少进行在线维护。在退化长距离建图中，低质量历史点即使在间歇性全局锚定可用的情况下，也可能削弱点到平面约束。

当连续全局定位不可用或不可靠时，回环闭合提供了另一种实现长距离一致性的途径。Wang等人[31]提出了PDLC-LIO，在因子图框架中结合直接激光雷达里程计、IMU预积分、回环因子和条件回环检测，以改善大规模重访环境中的轨迹一致性。当存在可靠重访时，它可以在无连续GNSS/RTK观测的情况下改善长距离一致性，但其关注点仍然是轨迹层面校正，而非帧到图配准所用历史地图点的在线置信度感知维护。

除了全局锚定和基于回环的轨迹校正之外，地图层面维护仍然是长距离退化建图中的另一个未解决问题。SiLVR[32]结合激光雷达深度和法向线索与广角图像进行表面重建，但需要足够的可观测性和大量计算。BALM[33]通过消除平面参数减少束调整复杂度，而AWF-SLAM[34]自适应加权多模态约束；两者均未显式进行在线不可靠历史点的维护。ikd-Tree[35]等增量结构提高了地图更新和检索效率，但未提供不确定性感知的点级质量决策。

为弥补这一差距，FusionLVIR在统一体素地图中引入了置信度感知的地图自清洁，选择性地替换不可靠的历史点以保持局部几何一致性，同时在FAST-LIVO2[36]的序贯激光雷达-相机-IMU估计器中提供间歇性RTK位置更新作为补充全局锚定。

本文的主要贡献如下：（1）针对统一体素地图提出了一种深度与置信度感知的地图自清洁策略。历史候选点定义为长距离点与低统一置信度点的并集，其中统一置信度结合了深度相关的测距置信度和体素-平面置信度。候选点通过KD-tree最近邻匹配、置信度增益条件、体素级平面性门控和回滚机制选择性替换，以保持局部几何一致性；（2）开发了一种多传感器移动测绘框架，通过为FAST-LIVO2的紧耦合激光雷达-相机-IMU估计器增加间歇性RTK全局锚定来实现。RTK位置更新限制了长距离漂移，同时在RTK观测不可用时保留连续的激光雷达-相机-IMU估计；（3）构建了一个六序列建筑环境数据集，用于在开放户外区域、林荫道、玻璃幕墙、混合GNSS条件、地下停车场和室内走廊条件下评估所提框架。与FAST-LIO2[37]、R3 LIVE[38]、LIO-SAM[39]和FAST-LIVO2的参考比较，以及受控的FusionLVIR变体实验和补充的公开序列验证，被用于评估实际建图性能、模块级效果和地图维护的可迁移性。

## 系统概览

图1总结了FusionLVIR的架构，这是一个建立在FAST-LIVO2的序贯激光雷达-相机-IMU估计器和统一体素地图之上的多传感器移动测绘框架。

IMU测量首先用于状态传播，随后进行帧到图的激光雷达更新。当有有效RTK观测可用时，其位置残差作为间歇性全局锚定测量引入，位于视觉更新之前；否则，沿用原始激光雷达-相机-IMU估计序列。

## 坐标系定义

为统一状态传播、观测建模和地图表示，IMU坐标系记为I，用作系统状态传播和传感器外参校准的参考坐标系。第一个时间步的IMU坐标系定义为全局坐标系G。激光雷达坐标系和相机坐标系分别记为L和C。激光雷达、相机和IMU刚性连接，其外参参数经预标定并视为已知常数。除非另有说明，否则默认坐标系关系保持不变。

## 硬件平台与实现细节

图3概述了本研究中使用的便携式SLAM数据采集平台，包括其三维结构布局、现场操作和传感器配置。该平台集成了Livox Avia激光雷达（内置IMU）、海康威视工业相机、UM980 RTK接收机和基于STM32的同步模块。所有实验均在同一计算平台上进行，配置Intel i7-12650H CPU和32 GB内存。STM32生成10 Hz触发信号。

## 结论

本文提出了FusionLVIR，一个面向退化建筑环境长距离运行的多传感器移动测绘框架。该框架保留了FAST-LIVO2的序贯激光雷达-相机-IMU估计器，将RTK位置观测作为间歇性全局锚定约束引入，并提出了一种深度与置信度感知的地图自清洁策略，用于历史地图点的在线维护。在3.2公里自采六序列数据集上的实验，并辅以两条公开序列进行补充验证。

## CRediT作者贡献声明

田宇辰：写作——审阅与编辑、写作——原稿撰写、可视化、验证、方法论、研究资金获取、概念构思。车德福：写作——审阅与编辑、监督、资源、研究资金获取、概念构思。车佳宇：写作——审阅与编辑、监督、资源、方法论、概念构思。郭佩宇：方法论、数据整理。王智军：数据整理。

## 利益冲突声明

作者声明他们没有已知的可能影响本文所报告工作的竞争性经济利益或个人关系。

## 致谢

本研究由中国博士后科学基金博士后 Fellowship 计划（C档）（项目编号GZC20252111）、国家自然科学基金（项目编号41871310）以及中央高校基本科研业务费专项资金（项目编号N160106002、N17241004）资助。作者声明本研究中的实验是在东北大学的研究框架内独立完成的，并感谢高性能计算中心提供的计算资源支持。

田宇辰 | 车德福 | 车佳宇 | 郭佩宇 | 王智军