《Engineering Applications of Artificial Intelligence》：A dual-algorithm fusion positioning method based on global navigation satellite system signal quality assessment mode
编辑推荐：
多传感器自适应融合定位框架在复杂环境下通过动态评估GNSS质量选择GNSS-IMU融合或LiDAR-IMU里程计，结合LiDAR高度约束和点云数据匹配实现高精度实时定位，实验显示核心指标提升30%并验证其在开放和GNSS受限场景的有效性。
Xirui Zhang | Runze Gu | Junxiao Liu | Lina Zhang | Xian Wu | Sheng Wei
海南大学机电工程学院，海口市，570228，中国
摘要
在森林和高楼等全球导航卫星系统信号受限的环境中，由于密集的树冠和建筑物对信号的遮挡或反射，导致全球导航卫星系统的定位结果不准确，这种观测质量的下降会直接影响融合定位系统的鲁棒性和准确性。本文提出了一种自适应的高精度定位框架，该框架基于全球导航卫星系统质量评估模型，动态选择全球导航卫星系统-惯性测量单元融合或激光雷达-惯性测量单元里程计。通过将激光雷达高程约束整合到可用的全球导航卫星系统相位中，并在信号缺失的情况下结合紧密耦合的激光雷达-惯性测量单元里程计与基于点云数据的地图校正，该框架能够在不同的环境中实现稳健的实时全球定位。所提出的定位方法在KITTI（卡尔斯鲁厄理工学院和芝加哥丰田技术学院）和UrbanNav-HK-Data数据集（香港城市导航的高精度定位数据集）上使用官方的真实轨迹进行了评估。这些数据集由于其多样化的场景和高精度的真实世界轨迹，为公平、客观和定量的评估提供了权威的基准。实验结果表明，核心指标提高了30%。此外，在橡胶种植园进行的实际测试表明，其定位准确性和一致性可与高精度RTK（实时运动学）相媲美，验证了该方法在开放环境和全球导航卫星系统信号受损环境中的鲁棒性和有效性。这将为导航算法中的人工智能提供技术支持。
引言
机器人自主定位是自主导航和移动系统的关键组成部分。精确的定位对于机器人执行自主导航任务至关重要，因为它不仅决定了路径规划和避障策略的准确性，还直接影响到系统的整体稳定性和安全性。在实际应用中，自主机器人的定位受到高度复杂的外部环境的影响（Zhang和Hsu，2018；Hadadi等人，2025）。特别是在城市峡谷、密集森林或高架桥下等具有挑战性的环境中，由于建筑物或树木的反射导致的信号阻挡或多路径效应，GNSS（全球导航卫星系统）的性能会显著下降（Zhang等人，2025a；Teng等人，2025；Ban等人，2025）。这可能导致水平定位误差达到数米，垂直误差达到数十米。此外，GNSS中断或隧道环境可能会引起累积漂移，引入系统偏差，降低长期准确性。例如，在城市中心区域的实验表明，建筑物遮挡可能导致垂直误差超过15米。此外，机器人的传感器性能、数据接收质量和传感器间同步精度也会显著影响定位决策（Song等人，2025）。例如，惯性测量单元（IMU）在长时间运行中会因零点漂移而积累误差，而激光雷达系统在动态环境中可能会因移动物体而降低匹配精度（见表1、表2、表3、图5、图6、图7、图8、图9）。
因此，在自主机器人的导航和定位过程中（Erfani等人，2019；Zhenyu等人，2025），通常需要集成多传感器数据融合方法，如GNSS（Tang等人，2024）、惯性测量单元（IMU）、激光雷达以及同时定位与映射（SLAM）技术。通过采用适当的优化算法，如扩展卡尔曼滤波器（EKF）或因子图优化，可以提高定位的鲁棒性，确保机器人在各种场景下都能获得稳定可靠的位置估计。其中，SLAM（同时定位与映射）是机器人定位和导航的关键组成部分（Zhao等人，2024）。激光雷达获取关于周围环境的深度信息，并利用深度距离数据构建三维环境（Yu等人，2025）。惯性测量单元测量物体的加速度和角速度，通过姿态递归快速获得精确的局部位置（Peng等人，2025）。然而，累积误差会随时间增加（Hu等人，2024；Debeunne和Vivet，2020）。视觉测量技术提供丰富的环境纹理信息（Qin等人，2020；Zhang等人，2025b），但它们容易受到视觉模糊的影响，对光照变化敏感，并且在环境中容易产生严重的运动模糊（Zhai等人，2024）。此外，GNSS是一种常用的绝对传感器（Lu等人，2025），通常被认为能够提供绝对位置。当GNSS卫星信号可用时，可以实时计算出精确的位置和速度估计（Elazab等人，2017）。然而，在复杂的操作环境中，信号强度无法保证（Wang等人，2022），这通常会导致单传感器定位准确性的显著降低。因此，多传感器融合技术已成为机器人学中实现复杂场景高精度定位的研究热点（Tao等人，2025）。
目前大多数定位系统采用基于滤波器的融合或因子图优化方法，以及基于GNSS的绝对定位技术。在这些方法中，GNSS定位技术具有显著的优势，包括全球覆盖范围、全天候可用性和自然的绝对尺度，使其成为获取全球坐标的关键基础。然而，GNSS信号质量经常受到多路径效应或衍射现象的干扰或扭曲（Keitaanniemi等人，2023；Li和Wang，2025；Xie等人，2025）。在多传感器融合方法中，基于滤波器的定位方法因其结构简单、计算需求低和实时性能强而被广泛采用（Rafatnia等人，2019；Meng等人，2023；Gao等人，2015）。然而，这些方法采用递归推理机制，状态估计严重依赖于历史更新，不可避免地在长时间运行中导致误差累积。此外，当外部噪声表现出强烈的非高斯性或难以建模的异常观测时，滤波器容易受到分散效应的影响，导致估计性能下降甚至结果发散。相比之下，因子图优化方法通过在滑动窗口内或全局范围内联合优化所有状态变量，实现全局一致的轨迹估计（Zhu等人，2020；Zhuang等人，2023；Zhang等人，2023），从根本上消除了滤波器中固有的时间累积误差。它们的图结构具有高可扩展性，灵活地结合了GNSS、激光雷达和IMU等多源观测因素，从而显著提高了长期准确性和鲁棒性。然而，因子图优化需要更高的计算资源，特别是在大规模因子积累的场景中，实时保证相对更具挑战性。
为了提高复杂环境中定位系统的鲁棒性和准确性，本研究充分利用了GNSS的全球覆盖优势、卡尔曼滤波的实时能力和因子图保持的全局一致性。设计了一种自适应定位框架，有效实现了传感器协调调度，确保在GNSS信号失败或不稳定期间系统的连续性和准确性。为了解决GNSS固有的垂直累积漂移问题，系统结合了激光雷达点云的地形高程特征作为约束信息，显著提高了Z轴定位的准确性。此外，通过在惯性测量单元、GNSS和激光雷达之间建立紧密耦合的优化模型，系统在统一的优化框架内实现了多源观测数据的深度融合。这种方法有效提高了状态估计的整体准确性和一致性。
我们的核心贡献可以总结如下：
- (1)
我们设计了一个高度鲁棒的GNSS自适应模型，具有多维信号质量感知和智能决策能力。该模型动态评估和优化了复杂环境中GNSS数据的利用，从而显著提高了定位系统的鲁棒性和可靠性。
- (2)
在GNSS信号较强的环境中，通过扩展卡尔曼滤波器将GNSS和惯性导航系统集成，实现高精度全球定位。然后利用激光雷达高程数据校正Z轴漂移，从而平衡了整体准确性、短期连续性和垂直稳定性。这种方法显著提高了系统的鲁棒性和可靠性。
- (3)
在GNSS信号受限的环境中，因子图融合结合了GNSS-IMU的紧密耦合和激光雷达测距因素，通过点云数据（PCD）地图匹配实现高精度、鲁棒和全局一致的定位。
总体而言，这些创新形成了一个全面的自适应定位框架，确保了从开阔天空到密集植被和GNSS信号缺失场景的各种环境中的全球准确性、垂直稳定性和长期一致性。这代表了相对于传统静态或单模融合策略的重大进步。
部分片段
定位系统框架
针对不稳定的GNSS卫星信号，本研究提出了一种基于GNSS信号感知的多传感器融合定位算法，如图（A）和（B）所示，所提出的集成GNSS/IMU/LiDAR定位估计框架分别适用于GNSS可用和GNSS信号受限的环境。该框架由三个核心模块组成：GNSS信号质量评估模块、适用于开阔环境的激光雷达辅助GNSS-IMU紧密耦合模式
GNSS质量评估模型
在这个模块中，我们构建了一个多因素GNSS质量评估模型，旨在全面准确地反映实际应用中的信号性能。模型设计考虑了可能影响GNSS信号质量的多种因素，包括信号遮挡、多路径效应、环境噪声和卫星几何分布。这确保了它在复杂和变化的环境中仍能提供可靠的评估结果。
为了提高鲁棒性
模型比较
我们使用Kitti-10数据集将提出的GNSS不可用模型与LIO-SAM模型进行了比较。为了系统地评估GNSS信息完整性对定位系统稳定性的影响，我们在Kitti-10数据集上设计了四种GNSS观测退化策略，包括以下内容：
(1)每40秒删除15秒的连续GNSS数据；
(2)删除后半部分的所有GNSS数据；
(3)仅保留前20秒的GNSS数据，然后删除3秒的连续数据
结论与讨论
在这项研究中，我们提出了一个考虑质量的多传感器融合定位框架，以解决复杂GNSS挑战环境下的定位退化问题。我们制定了一个定量的GNSS信号质量评估模型，以明确表征信号可靠性，并根据环境条件动态切换融合策略。与依赖固定传感器权重的传统方法不同，所提出的方法动态调整GNSS的贡献
CRediT作者贡献声明
Xirui Zhang：资源管理、项目协调。
Runze Gu：正式分析、数据管理。
Junxiao Liu：撰写 – 审稿与编辑、初稿撰写。
Lina Zhang：数据管理、概念化。
Xian Wu：数据管理、概念化。
Sheng Wei：方法论、调查。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
致谢
本项工作得到了海南省重点研发计划（项目编号：ZDYF2026XD NY146）、海南省科技创新人才项目（项目编号：KJRC2023C04）、海南省院士创新平台研究（项目编号：YSPTZX202109）以及海南大学国家现代农业产业技术体系博士后项目（项目编号：CARS-33-JX2）的支持。
