《Science of Remote Sensing》：Robust tightly coupled MLS–ALS fusion with 2D and 3D LiDAR using local geometric uncertainty for accurate 3D mapping
编辑推荐：
准确、高分辨率的三维地图对于林业、基础设施监测和自主导航等应用至关重要。机载激光扫描（ALS）提供大范围覆盖，但会受到冠层遮挡的影响；而移动激光扫描（MLS）捕获详细的地面结构，但在全球导航卫星系统-惯性导航系统（GNSS-INS）测量退化时容易产生漂移。尽管
准确、高分辨率的三维地图对于林业、基础设施监测和自主导航等应用至关重要。机载激光扫描（ALS）提供大范围覆盖，但会受到冠层遮挡的影响；而移动激光扫描（MLS）捕获详细的地面结构，但在全球导航卫星系统-惯性导航系统（GNSS-INS）测量退化时容易产生漂移。尽管ALS–MLS融合具有前景，但大多数现有方法依赖于松耦合管道或基于特征的配准方法，这些方法需要手动参数调整、依赖特征质量，并且不适合实时操作。在这些测绘平台上，三维LiDAR提供完整的运动可观测性，但通常具有较低的测距精度和更稀疏的采样。相比之下，某些二维LiDAR传感器提供更高的测距精度和点密度，但缺少一个自由度，限制了直接的三维重建。在本研究中，研究人员提出了一种紧耦合多传感器融合框架，该框架集成了惯性测量单元（IMU）、三维LiDAR、二维LiDAR、GNSS-INS导出的SE(3)姿态以及先验ALS地图，用于在线定位与制图。该系统基于LiDAR-惯性主干构建，其中二维LiDAR测量以更高的点密度和测距精度补充三维LiDAR。GNSS-INS或ALS地图为MLS漂移校正提供全局先验。所有测量在一个单状态最大后验（MAP）公式中联合优化，采用基于局部平面性的鲁棒、数据自适应几何不确定性加权。传感器的贡献通过累积的Hessian矩阵和梯度与自适应自平衡机制相结合，消除了手动参数调整。在超过5公里的森林道路上的实验表明，与参考基线相比，该系统实现了高定位精度。使用密集ALS先验时，系统达到约0.04米的绝对误差和约0.17%的相对误差，而稀疏ALS先验则分别产生约0.18米和约0.39%的误差。所提出方法的源代码已公开。
**论文解读文章**
**研究背景与问题**
高分辨率三维地图对于林业、道路监测、城市规划和自主导航等应用至关重要。当前，机载激光扫描（ALS）通过搭载于飞机或无人机，利用无遮挡的全球导航卫星系统-惯性导航系统（GNSS-INS）信号实现大范围可靠的地理参考，但其俯视视野在森林等密集环境中易受冠层遮挡，导致树干和下层植被被阴影覆盖。移动激光扫描（MLS）部署于车辆、背包或手推车，提供补充性的地面视角，能捕捉ALS遗漏的细节，但MLS易发生漂移：GNSS信号常被植被或基础设施阻挡，且激光雷达里程计随时间累积误差。因此，MLS数据无法直接与ALS数据集成。
现有MLS–ALS融合方法多依赖基于特征的配准，如利用道路、建筑物或树木特征，但这类方法高度依赖特征质量和可用性，常需手动干预且不适合实时应用。先前工作中的松耦合融合架构分别处理GNSS、MLS和ALS模块，再融合独立姿态估计，虽简化系统集成，但可能传播单个传感器误差且未考虑传感器间相关性，需手动分配可调增益参数。此外，传感器配置方面，三维LiDAR提供完整六自由度运动可观测性但采样稀疏且精度较低，而二维LiDAR精度高、点密度大但缺少一个自由度，无法直接进行三维重建。现有方法或分别处理二者，或依赖外部高质量轨迹集成，限制了融合效果。
为此，本研究开展了一项紧耦合多传感器融合框架的开发，旨在通过集成IMU、三维LiDAR、二维LiDAR、GNSS-INS导出的SE(3)姿态以及先验ALS地图，实现鲁棒且准确的在线定位与制图，消除手动参数调整，并提升复杂环境下的性能。该论文发表在《Science of Remote Sensing》。
**关键技术方法概述**
研究人员提出一种紧耦合单状态最大后验（MAP）融合框架，核心方法包括：（1）点级融合二维和三维LiDAR原始测距数据，形成统一点云，利用二维LiDAR的高角分辨率和精度补偿三维LiDAR的稀疏性，同时三维LiDAR提供完整空间可观测性；（2）基于局部平面性主成分分析（PCA）估计数据自适应几何不确定性权重，用于平面残差协方差建模，结合Huber鲁棒核函数实现异常值抑制；（3）通过累积各传感器的Hessian矩阵和梯度，在统一更新步骤中联合优化IMU传播、LiDAR平面约束、GNSS-INS导出的SE(3)测量以及先验ALS地图残差，并采用自适应自平衡机制（基于测量数量缩放Hessian/梯度贡献）确保不同模态信息贡献均衡。实验数据采集于芬兰Evo地区约5公里森林道路，车辆搭载Hesai Pandar XT-32三维LiDAR（10 Hz，精度±10mm）、Riegl VUX-1HA二维LiDAR（250 Hz，精度5mm）、CPT7 IMU（100 Hz）及NovAtel GNSS天线，并分别使用稀疏ALS（约5点/m2，芬兰国家土地测量局提供）和密集ALS（约5000点/m2，芬兰地理空间研究所采集）作为先验地图。
**研究结果**
**5.1 定量分析**：通过绝对轨迹误差（ATE）和相对轨迹误差（RTE）评估。LiDAR-惯性系统（LI）ATE为7.04米，RTE为0.56%；集成二维VUX LiDAR（LI-VUX）后ATE降至6.0米，RTE降至0.43%。融合GNSS-INS绝对SE(3)（LI-VUX+SE(3)）后ATE为0.36米，RTE为0.4%。引入稀疏ALS先验（LI-VUX+S-ALS）后ATE进一步降至0.18米，RTE为0.4%。同时使用稀疏ALS和相对SE(3)（LI-VUX+S-ALS+SE(3)）时ATE为0.17米，RTE为0.37%。采用密集ALS先验（LI-VUX+D-ALS）达到最高精度：ATE约0.04米，RTE约0.17%。Z轴重叠段误差分析显示，密集ALS先验下Z轴误差仅0.02米，优于参考轨迹。
**5.2 定性分析**：点云可视化表明，二维VUX LiDAR显著提升了点密度和细节表现（如细树枝、道路表面），尤其在植被区域。重叠段点云配准显示，所提方法（LI-VUX+S-ALS）产生的树干截面一致性远优于PPK GNSS-INS解，后者出现明显重复和偏移。
**5.3 消融研究分析**：与FAST-LIO2和DLIO基线对比，所提“Our best”配置（结合传感器测距噪声、PCA平面不确定性及Huber核）在LiDAR-惯性模式下ATE为7.04米、RTE为0.56%，优于DLIO（ATE 12.7米、RTE 0.94%）和FAST-LIO2（ATE 27.1米、RTE 2.0%）。逐级增加二维VUX传感器贡献：在简单配置下显著提升精度（ATE减少约1米），但在高质量先验下对轨迹精度提升边际化，但提升制图质量。去除Hessian/梯度缩放导致系统发散；所提紧耦合融合比松耦合版本（迭代配准至MLS和ALS图）计算效率提高近一倍（平均运行时约快50%），且无需手动参数。
**5.4 总体讨论**：该框架通过渐进集成传感器实现精度提升，数据自适应几何不确定性权重和Hessian/梯度缩放消除了手动协方差调参。先验ALS地图可在GNSS退化环境下有效抑制全局漂移，同时局部轨迹一致性由当前MLS扫描维持。当使用高质量密集ALS先验时，额外传感器（如二维LiDAR或GNSS-INS）对配准精度贡献边际化；而稀疏ALS先验下，补充传感器显著提升鲁棒性。紧耦合融合在计算效率和参数自动化方面优于松耦合方法。未来可探索在Hessian/梯度层面融合不同LiDAR传感器、处理先验地图时变变化（如植被生长）以及评估城市密集场景。
**结论部分翻译**：
本研究提出了一种紧耦合多传感器融合框架，集成IMU、GNSS-INS、二维LiDAR、三维LiDAR以及先验ALS数据，用于精确的在线定位与制图。通过时间同步和外参标定，多个LiDAR传感器的测量数据在点级融合为统一点云表示。配准联合利用MLS和先验ALS地图，基于局部几何不确定性（通过PCA估计局部平面性）实现鲁棒的平面残差估计。GNSS-INS和LiDAR测量在一个单状态最大后验（MAP）解中紧密集成，通过累积Hessian和梯度实现多传感器测量组合。在超过5公里森林道路轨迹上的实验结果表明，所提方法达到了高保真参考精度。当使用密集先验ALS地图时，系统达到约0.04米的平均绝对误差和约0.17%的相对误差。使用稀疏ALS先验时，系统达到约0.18米绝对误差和约0.4%相对误差，突显了其在不同先验地图模态下的鲁棒性。这些结果得出两个关键观察：第一，异构LiDAR传感器的点级融合相比单传感器配置显著提高了鲁棒性和精度；第二，GNSS-INS和ALS先验的紧耦合集成提供了可靠的全局参考，同时保持了计算效率，使框架适用于实时操作。将ALS作为先验的主要优势在于其能提供优越的绝对精度、支持稳定在线性能，并可作为可重复使用的一次采集参考。在移动测绘的更广泛背景下，本工作表明紧耦合多传感器融合能有效缓解漂移、有限视场和GNSS-INS退化，同时通过实现在线操作、基于PCA局部平面性的鲁棒数据自适应几何不确定性加权以及减少对手动调参的依赖，推进了MLS–ALS集成。紧耦合框架中多传感器融合的成功集成提供了稳定性和精度，为以快速且经济高效的方式推进测绘、林业和自主导航开辟了新途径。未来工作将探索在Hessian和梯度层面的二维和三维LiDAR替代融合策略，通过变化检测处理对先验ALS地图质量的依赖性，并在更多样化的环境（包括密集城市场景）中评估该框架。
