一种强大的农业LiDAR-惯性SLAM系统,具备异构配准和神经噪声适应能力
《Biomimetic Intelligence and Robotics》:A robust agricultural LiDAR-inertial SLAM system with heterogeneous registration and neural noise adaptation
【字体:
大
中
小
】
时间:2026年05月01日
来源:Biomimetic Intelligence and Robotics 5.4
编辑推荐:
曾俊|张宏伟|陈伟南|高宏超|王子阳|李明军
中国广州市广州职业技术与商务职业学院,511444
摘要
为了解决农业环境中非结构化地形、重复几何结构以及显著惯性干扰所带来的挑战,本文提出了一种适用于农业机器人的鲁棒激光雷达-惯性同时定位与地图构建(SLAM)系统。该系统基于LI
曾俊|张宏伟|陈伟南|高宏超|王子阳|李明军
中国广州市广州职业技术与商务职业学院,511444
摘要
为了解决农业环境中非结构化地形、重复几何结构以及显著惯性干扰所带来的挑战,本文提出了一种适用于农业机器人的鲁棒激光雷达-惯性同时定位与地图构建(SLAM)系统。该系统基于LIO-SAM框架,并融入了两项关键改进。首先,引入了一种植被-结构异构配准策略。通过利用点云强度信息,区分了刚性结构和柔性植被,并构建了两个并行的配准流程:一个基于正态分布建模的结构导向通道和一个基于几何特征的植被导向通道。然后通过置信度加权融合实现姿态估计,提高了在具有重复结构的场景中的配准鲁棒性。其次,开发了一种神经噪声适配器(NNA),利用长短期记忆(LSTM)网络动态模拟IMU噪声的时变特性。通过融合原始IMU数据、瞬时噪声统计信息和地形起伏特征,该适配器实时预测预积分协方差缩放因子,有效抑制了由崎岖地形引起的姿态漂移。在公共数据集、Gazebo农业仿真环境和真实果园场景中进行的比较实验表明,所提出的方法在定位精度和泛化能力方面具有优势,为精准农业机器人提供了可靠的感知支持。
1. 引言
近年来,农业自动化技术的快速发展为精准农业的实际应用提供了关键的技术支持[1]。在这些发展中,农业机器人逐渐成为技术集成和应用的核心平台[2]。得益于多传感器感知和自主决策能力,农业机器人能够在复杂且高度动态的田间环境中执行自主导航、精细映射、变量喷洒和智能收割等任务,从而显著提高了农业生产中的运营效率和执行精度[3]。然而,农业机器人的自主、安全和高效运行从根本上依赖于可靠的同时定位与地图构建(SLAM)能力,以在动态和非结构化的农业环境中同时构建环境地图并准确估计机器人的自身姿态[4][5]。因此,开发针对农业场景的高鲁棒性和高精度的SLAM方法不仅是确保农业机器人稳定运行的关键技术前提,也是推动农业设备智能化升级和进一步发展精准农业的重要技术途径[6]。
经过数十年的发展,SLAM技术已经发展成为一个相对成熟的框架,这在很大程度上得益于激光雷达传感技术的进步[7][8][9][10]。其中,仅基于激光雷达里程计(LO)的SLAM方法,如LOAM[7]和LeGO-LOAM[9],通过从连续的点云帧中提取几何特征来实现姿态估计和地图构建。这些方法在室内空间和城市道路等结构化环境中表现出较高的定位精度。随着惯性测量单元(IMU)的广泛应用,基于激光雷达-惯性里程计(LIO)的SLAM逐渐成为研究焦点[11][12][14]。该技术将点云与高频IMU惯性测量数据融合,有效解决了快速运动或特征稀疏环境导致的扫描配准歧义问题。IMU提供的高频运动信息与激光雷达的空间几何约束的互补优势不仅有效补偿了运动引起的点云畸变,还显著提高了系统的鲁棒性和实时姿态估计能力[15]。与LO相比,LIO在复杂环境中表现出显著的优势,包括高可靠性、大尺度场景中的地图一致性以及对动态运动的强适应性。因此,它已被广泛应用于自动驾驶和移动机器人领域[16],并成为农业机器人在复杂户外农业环境中定位和导航的核心技术解决方案。
尽管LIO在复杂场景中表现出显著优势,但农业作业环境的独特特性对SLAM系统提出了严峻挑战,主要体现在场景的非结构化[17]和传感器适应性问题上[18]。一方面,农业环境中茂密植被产生的密集点云具有高空间重复性和不规则性。作物区域的点云显示出显著的稀疏性和非结构化特征。这些特征给依赖几何结构提取的传统方法带来了巨大困难,容易导致点云配准过程中的特征匹配错误,从而降低激光雷达里程计的精度[19]。另一方面,农业机器人的操作特性导致IMU信号受到严重的非平稳噪声影响,包括高频机械振动和瞬时冲击,如低速运动、连续振动、频繁的启动-停止动作和急转弯[20]。传统的LIO框架通常采用固定参数或简单参数化的IMU噪声模型,这些模型不足以准确描述这种复杂且多变的噪声特性。这种不足会导致累积的姿态估计误差,进而引起定位漂移和地图畸变,最终影响农业操作的精度和可靠性。
本文旨在显著提高典型复杂农业环境中的SLAM系统定位精度、环境地图质量和整体运行鲁棒性,从而为农业机器人的精准自主操作提供更可靠的技术支持。首先,探索了适用于稀疏、非结构化农业点云的多维鲁棒特征,并引入了自适应机制进行匹配。其次,设计了一种能够在线估计和实时调整IMU噪声协方差的模型,以实现因子图优化中更合理的传感器数据融合权重。具体来说,本文的主要贡献如下:
(1) 提出了一种适用于农业场景的鲁棒激光雷达-惯性SLAM系统。基于LIO-SAM框架,系统地引入了自适应特征配准机制和动态噪声建模策略,以解决农业环境中强烈的结构重复性和严重的IMU噪声波动问题,显著提高了SLAM系统的稳定性和精度。
(2) 设计了一种植被-结构异构配准机制。根据强度信息和空间分布特征,将点云分割为刚性结构和柔性植被区域。分别构建相应的配准通道,并通过置信度加权融合估计最终姿态,有效提高了在重复几何结构中的配准鲁棒性。
(3) 引入了一种神经噪声适配器(NNA)模块,用于模拟IMU测量的时变噪声特性。该模块基于长短期记忆(LSTM)网络动态模拟IMU噪声,并实时预测预积分因子的协方差缩放因子,显著增强了系统对非平稳运动条件的适应性。
2. 相关工作
2.1 基于LIO系统的鲁棒SLAM
LIO系统已成为机器人自主定位与地图构建的核心技术,利用了激光雷达的高精度几何测距能力和IMU的高频动态响应。其中,基于因子图优化的LIO-SAM[13]和基于卡尔曼滤波器的Fast-LIO2[12]是代表性框架。这些方法通过紧密耦合的IMU预积分和点云配准为LIO在复杂环境中的应用奠定了基础。尽管这些经典框架在结构化环境中表现良好,但在非结构化地形、特征稀疏区域或运动剧烈的场景中仍面临鲁棒性挑战。
为了解决现有系统的局限性,后续研究从多个角度进行了改进。对于激光雷达里程计,Wang等人[21]提出了ROLO-SLAM,通过前向位置预测和基于球面对准的旋转优化有效解决了地面车辆在崎岖地形上的激光雷达垂直漂移问题。Li等人[22]提出了一种基于多度量特征关联和贡献约束的里程计方法,通过提取局部极值和应用多尺度几何约束克服了传统特征匹配中的不稳定干扰和冗余计算。Chang等人[23]提出了WiCRF-SLAM,通过自适应粗糙度特征提取和加权双模约束减轻了视点敏感性和特征向量误差累积。Wang等人[24]提出了Intensity-SLAM,通过融合几何和强度信息将KITTI数据集上的平均平移误差降低到了0.53%。然而,这些方法在具有重复结构、特征稀疏或非结构化环境的场景中仍面临配准失败的风险[25]。
对于IMU建模和优化,Chen等人[26]提出了IGE-LIO,通过强度梯度特征和双模约束解决了传统几何SLAM在特征缺失环境中的定位漂移问题。Wang等人[27]提出了SW-LIO,通过滑动窗口耦合和多残差优化将M2DGR数据集上的平均轨迹误差限制在0.283米以内。同时,Chen等人[28]提出了SE(2)LIO,在KITTI数据集上通过整合SE(2)约束和扰动补偿实现了1.88°的旋转误差。在我们之前的工作[29]中,提出了一种基于自适应卡尔曼滤波器的SLAM系统,通过时变递归噪声估计器实现了AGV的高精度定位。尽管这些方法在室内和城市等相对结构化环境中取得了进展,但它们在更复杂的农业场景中的泛化性能仍有待验证。此外,涉及视觉、轮式里程计和GNSS的多传感器融合策略可以在异常条件下提高韧性,但它们在非结构化和高度遮挡的农业环境中经常因传感器数据丢失或故障而不稳定[18][31]。
2.2 农业场景中SLAM的进展
考虑到农业环境的独特特性,当前SLAM技术的研究主要集中在特征提取、地图构建和多传感器融合等方面。例如,Hong等人[20]提出了HC-LIO,这是一种分层耦合框架,通过距离加权体素化广义迭代最近点(GICP)算法在复杂农业环境中实现了0.1357米以内的定位精度。Pan等人[32]提出了一种基于强度校准的点云分割方法,通过校准的激光雷达反射强度提取树干特征。由此产生的果园地图在季节变化中的定位误差波动小于0.17米,比传统方法提高了53%。Liu等人[33]为温室中的番茄采摘机器人开发了一种导航系统,结合了Gmapping、AMCL、A*和DWA,在复杂的温室环境中实现了高精度自主导航。Qu等人[34]通过深度融合激光雷达和IMU数据,实现了遮挡果园条件下0.05米的平均定位精度。Kim等人[19]设计了P-AgSLAM,该模型模拟了玉米的形态特征,并优化了激光雷达和IMU数据之间的同步性,在GNSS信号损失达到54.7%的玉米田中实现了0.26米的定位精度。为了解决GNSS信号不稳定的问题,Xiong等人[35]提出了GF-SLAM,通过全局-局部特征融合在全局信息缺失的场景中保持了0.03米的定位精度,有效确保了农业自主系统的可靠性。
尽管现有研究取得了进展,但对于由重复几何结构引起的点云配准退化和由于地形起伏导致的IMU测量噪声急剧增加等问题,仍缺乏系统的解决方案。本研究关注这些关键挑战,并提出了一种鲁棒的LIO方法,该方法增强了特征表示并动态模拟IMU误差,从而提高了农业机器人的映射精度和稳定性。
3. 方法
3.1 系统概述
所提出的SLAM系统基于LIO-SAM框架构建。作为一种基于因子图优化的紧密耦合SLAM方法,LIO-SAM利用高频IMU观测为低频激光雷达帧提供连续的状态预测,并采用关键帧机制触发准确的点云配准和后端优化。在系统运行过程中,首先使用IMU积分估计每次扫描期间激光雷达的运动轨迹,从而避免原始点云的畸变。随后,将每个激光雷达帧与本地地图进行配准,以获得帧间相对运动估计。最后,将配准结果与IMU预积分因子结合,构建因子图,其中滑动窗口优化器联合估计状态变量并逐步构建地图。如图1所示,本文引入了两项核心改进以解决农业场景中的关键挑战:
(1) 将植被-结构异构配准策略集成到激光雷达里程计扫描匹配过程中,以增强在约束较弱环境中的定位稳定性。
(2) 将NNA嵌入优化框架中,动态调整IMU预积分因子的协方差,从而提高系统对非结构化干扰的适应性。
在因子图优化框架中,系统将状态变量建模为关键帧实例的状态集合,可以表示为:(1)x=RTpTvTbTT,其中R是旋转矩阵,p是位置向量,v表示速度,b代表IMU偏差。
系统构建了一个由多源观测因子组成的因子图,以约束和优化上述状态。因子图的目标是最小化所有观测值的残差平方加权和。整体优化目标函数可以表示为:(2)min∑‖rIMU‖ΣIMU2+∑‖rLiDAR‖ΣLiDAR2+∑‖rloop‖Σloop2,其中rIMU是IMU预积分残差,rLiDAR是LiDAR测距残差,rloop是从环路闭合检测构建的帧间约束残差,∑表示每个因子的协方差矩阵。下载:下载高分辨率图像(451KB)下载:下载全尺寸图像图1. 系统概述。3.2. IMU预积分作为高频和连续的动态信息来源,IMU测量在保持系统在剧烈运动或特征稀疏条件下的定位能力方面起着关键作用。特别是在农业场景中,IMU提供的短期相对运动信息对于支持前端跟踪和后端优化至关重要。IMU测量通常包括陀螺仪和加速度计。陀螺仪测量角速度ω,加速度计测量线性加速度a。IMU观测模型可以表示为:(3)ω˙t=ωt+btω+ntω (4)a?t=Rtat?g+bta+ntaw,其中ω˙t和a?t是时间t的测量角速度和加速度,它们受到偏置bt和白噪声nt的影响。R表示从世界坐标系到机器人本体系的旋转矩阵,g表示恒定重力向量。IMU预积分的核心思想是预先积分两个关键帧i和j之间的原始IMU测量值,得到与关键帧的初始状态无关的相对运动增量Δv?ij、Δp?ij、ΔR?ij,即预积分测量值[13]。给定关键帧i和j的估计状态,相对运动增量可以表示为:(5)Δvij=RiTvj?vi?gΔtij (6)Δpij=RiTpj?pi?viΔtij?1/2gΔtij2 (7)ΔRij=RiTRj,其中Δvij是速度增量,Δpij是位置增量,ΔRij是旋转增量。此外,预积分残差定义为预积分测量值与从状态估计预测的相对运动增量之间的差异:(8)rIi,j=rΔvij/rΔpijrΔRij/rb=Δv?ij?ΔvijΔp?ij?ΔpijLogΔR?ij/ΔRijTbj?bi,其中rΔvij、rΔpij、rΔRij和rb分别表示速度残差、位置残差、旋转残差和偏置残差。3.3. 植被-结构异构配准农业环境通常包含异构元素,包括刚性人造结构(例如,种植支撑物和固定杆)和非刚性作物(例如,茎和叶),这些元素在空间中高度交织。传统的基于特征的点云配准方法[36]在这样的环境中常常遇到困难:反射率高的结构点云可能被植被部分遮挡,而密集的植被点云则表现出高度重复和不规则的几何特征。单一的配准策略不足以最佳地处理这两种类型或减轻它们之间的相互干扰。为了解决这个问题,我们提出了一种基于物理属性解耦和双通道自适应配准融合的改进方法。核心思想是使用物理属性对点云进行预分割,设计两个独立但互补的配准通道,分别针对不同类型点云的固有特性,并基于实时场景感知进行自适应融合。整个流程如图2所示。输入是单帧原始LiDAR点云Praw,其中每个点包含坐标x,y,z和强度I。在农业场景中,人造结构的反射率通常高于植被叶子[32]。利用这一物理属性进行植被-结构分离:(9)Ppoles=p∈Praw|Ip>It,其中It是用于区分结构和植被的强度阈值,Ppoles表示具有高反射率的候选结构点云。需要注意的是,本工作中采用的强度阈值It是基于特定型号的LiDAR校准的。在实际部署中,如果传感器更换为不同型号,建议通过初步实验重新校准此阈值以适应不同硬件之间的强度缩放变化。下载:下载高分辨率图像(231KB)下载:下载全尺寸图像图2. 植被-结构异构配准的示意图。为了进一步提高Ppoles的代表性 and 可靠性,依次应用以下几何约束:(1) 高度过滤。移除过低或过高的点,仅保留位于实际结构高度范围内的点:(10)Ppoles=p∈Ppoles|Zmin< />为了解决这个问题,循环闭合检测被广泛应用于因子图优化中,以在关键帧之间建立重新识别约束,从而抑制累积的漂移并提高全局一致性[37]、[38]。本文采用了LIO-SAM中提出的轻量级循环闭合检测策略,该策略具有高计算效率和简单的结构,特别适合资源受限的平台或视点变化不频繁的场景。该策略专注于新添加的关键帧,并使用欧几里得距离作为初步标准,从历史关键帧数据库中检索空间相邻的候选帧。随后,当前帧的点云与这组候选关键帧在统一的世界坐标系统中进行扫描匹配,以获得相对变换ΔT。如果配准残差满足预定义的阈值,则认为匹配是成功的循环闭合。然后将估计的相对姿态作为循环闭合因子插入因子图。这个因子在结构上类似于标准的LiDAR里程计因子,通过残差项约束两个非相邻关键帧的姿态变量。循环闭合因子的残差可以表示为:(28)rloop=LogTij?1?T?ij,其中T?ij表示从循环闭合匹配中估计的相对姿态,Tij表示在当前优化状态下关键帧i和j之间的姿态变换。
4. 实验
4.1. 实验设置
为了全面评估所提出方法在农业场景中的适用性和有效性,在公共LIO-SAM数据集、基于Gazebo的农业仿真环境和真实世界果园场景中进行了广泛的实验。在LIO-SAM数据集上的实验中,将所提出的方法与最先进的LIO-SAM[13]和Fast-LIO2[12]进行了比较。在模拟和真实的农业场景中,还特别包括了为农业环境设计的HC-LIO[20]作为关键基线方法。通过这种多方法、多场景的评估,系统在不同框架下的性能优势和改进得到了系统的证明。
在公共数据集和Gazebo仿真环境中的实验是在一台配备Intel Core i7-12700H处理器和32 GB RAM的笔记本电脑上进行的,运行的是Ubuntu 20.04系统。系统基于ROS Noetic构建,SLAM优化模块使用GTSAM库实现。NNA使用PyTorch框架构建并集成到后端优化流程中。
在真实农业环境中的实验是在图4所示的农业运输机器人上进行的,该机器人配备了LS-C16 LiDAR和Sealand IMU。IMU的关键性能参数列在表1中。在Gazebo仿真环境中,IMU数据是使用gazebo_ros_imu_sensor插件生成的,噪声参数根据真实传感器的规格进行配置,以确保模拟实验和真实世界实验之间的一致性。
4.2. 神经噪声适配器的训练和验证
NNA的训练依赖于从真实农业操作环境中收集的数据。数据采集在中国广州南沙的Carlson龙眼种植园进行。如图5所示,该地区地形起伏明显,果园行密集排列,具有典型的农业场景特征,如频繁的植被遮挡、重复的结构和杂草覆盖。收集了两个具有代表性的农业环境序列,总时长约为35分钟,详细信息见表2。这些序列涵盖了农业机器人在田间作业中常见的各种干扰,包括由突出的树根引起的冲击性震动、由软土引起的连续振动、由于坡度穿越导致的逐渐姿态变化,以及不平整地面对手动陀螺仪(IMU)施加的中等到高频激励。
为了构建一个独立的测试集,从两个序列中提取了大约20%的连续时间段作为测试数据,而剩余数据用于模型训练。测试段在时间上与训练数据严格不重叠,并保持时间连续性,确保测试集包含与训练期间观察到的不同的地形结构和干扰模式。用作监督信号的地面真实姿态来自高精度RTK轨迹,定位精度为2–3厘米。
4.3. 在公共数据集上的评估:泛化分析
为了评估所提出方法在标准环境中的性能和泛化能力,使用官方的LIO-SAM公共数据集进行了比较实验,以评估其在非农业场景中的适应性。此外,为了分析每个核心模块的贡献,设计了两个消融实验:一个移除了植被-结构异构配准模块(表示为Ours_w/o-F),另一个禁用了NNA(表示为Ours_w/o-N)。
表3总结了每种方法在多个关键序列上的定位精度。结果表明,所提出的完整系统在所有测试序列中都取得了最佳性能,平均RTE和RRE分别为1.87%和1.36度/100米,分别比第二好的方法LIO-SAM提高了20.4%和22.7%。消融结果表明,禁用异构配准模块(Ours_w/o-F)后,平均RTE和RRE分别为2.07%和1.52度/100米。值得注意的是,在结构复杂的Campus_large序列中,定位精度显著下降,分别下降了37.7%和17.3%,这证明了该模块在增强复杂区域配准鲁棒性方面的有效性。NNA在所有三个序列中都是一致的贡献者,其对精度的影响略大于异构配准模块。这表明,在结构信息清晰的标准场景中,IMU噪声成为主要瓶颈,而所提出的神经适应机制能够适应不同环境,确保可靠的多传感器融合。
图7展示了映射结果和轨迹比较。所提出方法生成的地图具有完整的结构、清晰的边界,没有显著的漂移,满足后续定位和路径规划的要求。轨迹比较显示,所提出方法在大多数序列中紧密跟随地面真实情况,误差分布稳定。相比之下,FAST-LIO2显示出明显的漂移,并在Campus_large序列中最终失败。
请注意,性能以“A/B”格式呈现,其中‘A’代表相对平移误差(%),‘B’代表相对旋转误差(度/100米)。
4.4. 在模拟农业环境中的评估
为了进一步验证所提出方法在典型农业场景中的性能,在Gazebo仿真平台上进行了实验。如图8所示,模拟环境包括按结构排列的作物行、无结构的起伏地形和散落的障碍物石头,有效地模拟了真实果园和农田中常见的结构冗余和地形干扰。
表4总结了每种方法在模拟农业场景中的定位误差比较结果。可以观察到,FAST-LIO2在这种情况下失败了,而HC-LIO由于其针对农业环境的设计,性能优于LIO-SAM,进一步验证了明确考虑农业场景特征的算法优化的有效性。相比之下,所提出的方法提供了最佳的整体性能,RTE和RRE进一步降低到0.76%和0.89度/100米,分别比第二好的方法HC-LIO提高了14.6%和15.2%。这表明所提出的植被-结构异构配准策略以及NNA在提高LiDAR里程计精度和有效缓解由IMU干扰引起的姿态估计误差方面发挥了关键作用,从而增强了整个系统的鲁棒性。
请注意,性能以“A/B”格式呈现,其中‘A’代表相对平移误差(%),‘B’代表相对旋转误差(度/100米)。‘-’表示该方法失败。
4.5. 在真实世界环境中的评估
所提出的SLAM系统在真实的农业操作环境中进行了进一步评估,实验地点也在Carlson龙眼种植园。真实世界实验的详细配置如下:机器人沿着预定义的路线在田间行驶,总轨迹长度约为800米。设计的路径涵盖了多种典型的农业操作模式,包括直线运动、频繁转弯和穿过密集植被区域,以全面评估方法的稳定性及其在长时间和复杂操作条件下的抑制累积误差的能力。RTK系统提供的轨迹被用作地面真实参考。同时,机器人的平均行驶速度控制在1.0–1.5米/秒的范围内。
实验中采用了与仿真中相同的比较方法和评估指标。定位精度结果总结在表5中。结果表明,所提出的方法在复杂的果园环境中保持了明显的性能优势,RTE为1.26%,RRE为0.79度/100米。在现有方法中,HC-LIO方法的性能优于LIO-SAM和FAST-LIO2,其定位精度最接近所提出的方法,进一步证明了针对农业环境定制的方法设计的有效性。尽管最初是为了解决农业环境中的结构退化和非静态噪声而设计的,但所提出的框架在复杂环境中具有广泛的适用性和优势。
图7展示了LIO-SAM数据集上的映射结果和轨迹结果。(a)、(b)和(c)映射结果,(d)、(e)和(f)轨迹结果。
总体而言,所提出的方法在非农业环境中展示了优越的准确性和鲁棒性,验证了其核心机制的跨场景泛化能力。尽管最初是为了解决农业环境中的结构退化和非静态噪声而设计的,但所提出的框架在复杂环境中具有广泛的适用性和优势。如表6所示,RTE和RRE在不同α值下均保持稳定。当α在0.3到0.7的范围内时,RTE和RRE的最大波动分别控制在0.03%和0.04°/100m以内。这一结果表明,最终的融合姿态对α的具体值不敏感。系统的性能主要由实时计算的通道置信度决定,显示出良好的稳定性。如图10a所示,所提出方法生成的地图在保持几何特征和空间连续性方面表现出色。点云密度分布均匀,边缘轮廓清晰可见,有效反映了农业场景的3D结构特征。轨迹对比结果(图10(b))表明,由于累积误差导致的发散,FAST-LIO2在这种情况下表现不佳,表现为严重的轨迹漂移。尽管LIO-SAM和HC-LIO的总体轨迹趋势优于FAST-LIO2,但两种方法都存在不同程度的“之字形”偏差。这些偏差主要是由于在崎岖地形中IMU噪声的干扰造成的,这对传感器融合过程产生了不利影响。相比之下,所提出方法估计的轨迹与真实参考轨迹高度吻合,整个路径上的波动幅度最小。这证明了该方法在农业环境中的高精度定位稳定性和鲁棒性。
此外,我们对系统核心模块的计算效率进行了定量分析,结果总结在表7中。结果显示,所提出的系统保持了较高的计算效率。具体而言,异构配准策略的平均处理时间约为26.9毫秒。虽然这比单通道配准的时间要长,但额外的计算成本部分被先前的点云分割所抵消,后者减少了每个通道处理的数据量,并降低了算法复杂性的增加。同时,轻量级的NNA仅引入了可以忽略不计的计算开销,平均推理时间为3.4毫秒。这表明所提出的动态噪声建模机制可以在不牺牲实时性能的情况下集成到系统中。总体而言,系统的每帧总处理时间约为47毫秒,完全可以满足激光雷达传感器10 Hz的输入率。这一时间余量也为处理偶尔出现的计算峰值(如闭环检测引入的峰值)提供了足够的缓冲,从而证明了在边缘计算平台上实现实时部署的可行性。
表6. 不同先验平衡因子值下的姿态估计精度。
| α值 | RTE (%) | RRE (deg/100 m) |
|------|-------|-----------|
| 0.1 | 1.32 | 0.87 |
| 0.3 | 1.28 | 0.82 |
| 0.5 | 1.26 | 0.79 |
| 0.7 | 1.29 | 0.83 |
| 0.9 | 1.35 | 0.89 |
总之,所提出的SLAM方法不仅在复杂的农业环境中表现出强大的有效性,还凸显了其在农业机器人技术中的实际价值。它为未来在田间环境中自主导航、测绘和操作任务的部署提供了关键的技术支持。
表7. 各模块的计算效率分析。
| 模块 | 平均时间(毫秒) | 标准差(毫秒) |
|---------|-----------|-----------|
| 点云预处理 | 4.8±0.7 | |
| 结构配准 | 8.9±2.1 | |
| 植被配准 | 13.2±3.5 | |
| NNA推理 | 3.4±0.4 | |
| 因子图优化 | 16.7±6.0 | |
下载:下载高分辨率图片(1MB)
下载:下载全尺寸图片
图10. 在真实农业环境中的映射和轨迹结果。(a) 映射结果。(b) 轨迹结果。
5. 结论
为了克服农业环境中结构退化和惯性干扰带来的限制,本文提出了一种基于LIO-SAM的SLAM框架。与依赖固定特征模板或静态传感器模型的现有方法不同,本研究开发了一种针对农业场景感知需求定制的植被-结构异构融合策略。在因子图优化过程中引入了基于LSTM的NNA机制,增强了系统的场景理解和适应动态环境的能力。在多种场景下的广泛实验表明,所提出的方法在复杂的农业地形中具有出色的稳定性和准确性。即使在结构不规则、特征较弱或IMU受到严重干扰的条件下,该方法也能保持一致的地图构建和高精度的轨迹估计。此外,在标准公共数据集上进行的实验进一步验证了该方法在非农业特定环境中的通用性和可迁移性。
然而,在缺乏刚性人工结构的典型农业场景中,异构配准策略的准确性将面临更严峻的挑战,其性能通常会退回到传统匹配的水平。这一现象进一步表明,在通用的非结构化农田中实现鲁棒定位的关键在于挖掘和利用环境中固有的、相对稳定的自然特征。未来的工作将重点探索多源传感器融合技术,通过识别特定生长阶段的自然元素(如作物垄和茎形态)的几何和语义模式,构建一个能够替代人工结构的稳定特征系统。
CRediT作者贡献声明:
曾俊:撰写——原始草稿、验证、研究。
张宏伟:撰写——原始草稿、可视化、研究。
陈维南:撰写——原始草稿、方法论。
高宏超:撰写——原始草稿、监督。
王子阳:撰写——审阅与编辑、方法论。
李明军:撰写——审阅与编辑、研究。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号