《Machines》：An Energy-Efficient Constant-Speed Downhill Control Approach for Heavy-Duty Electric Trucks with Hydraulic Retarders
编辑推荐：
在复杂运动环境中，无人车辆的精确实时定位面临多传感器测量异步、测量质量时变以及长期因子图优化计算负担增加等挑战。为解决这些问题，研究人员提出了AVFGO，一种面向运动状态感知的自适应多传感器融合定位的滑动窗口增量因子图优化框架。IMU预积分被用作主要的状态传播
在复杂运动环境中，无人车辆的精确实时定位面临多传感器测量异步、测量质量时变以及长期因子图优化计算负担增加等挑战。为解决这些问题，研究人员提出了AVFGO，一种面向运动状态感知的自适应多传感器融合定位的滑动窗口增量因子图优化框架。IMU预积分被用作主要的状态传播骨干，而异步的激光雷达里程计、航姿参考系统（AHRS）、轮式里程计和气压计测量被统一表示为因子图约束。滑动窗口边缘化机制通过将历史信息保留为先验因子来约束优化规模。一种运动状态感知的融合率策略控制外部因子的插入密度，以及一种残差驱动的向量式自适应加权模型调整异质传感器在不同测量维度上的协方差。在GNSS拒止轮式无人车辆数据集上的现场实验表明，AVFGO实现了0.380 m的三维位置均方根误差（RMSE），相对于IFGO误差降低了65.36%，相对于SWIFGO降低了52.71%。平均单步优化时间为0.0389 s，相比IFGO加速11.9倍，相比SWIFGO降低75.81%。这些结果表明，所提出的框架提高了精度和实时性能，但受限于单平台现场测试范围，这被明确讨论为未来验证的方向。
**论文解读：面向复杂运动环境的自适应多传感器融合定位方法**
**1. 研究背景与问题**
在无人巡检、救援等复杂环境中，连续、可靠且无缝的高精度定位是智能移动系统的基础，对导航定位技术的鲁棒性、实时性和环境适应性提出了严苛要求。单一传感器（如惯性导航系统INS）在长时间内难以提供稳定可靠的位姿信息，其误差会随时间累积；全球导航卫星系统（GNSS）在隧道、室内等环境下易受遮挡和干扰而失效。多传感器融合因此成为常见解决方案，但不同导航传感器在采样率、测量精度、可观测性和故障模式上存在差异，测量通常异步到达，且传感器可靠性随环境和运动状态时变。现有方法如因子图优化（FGO）虽能利用历史观测提高精度，但传统全图方法中状态节点和因子随时间累积，计算复杂度剧增，限制了实时部署。同时，现有方法常根据经验传感器参数分配固定测量协方差，无法捕捉传感器在不同环境、运动状态和测量维度下的时变可靠性。因此，亟需一种在因子图框架内实现自适应权重分配和鲁棒优化的方法。
**2. 研究内容与结论**
为应对上述挑战，研究人员提出AVFGO，一种基于滑动窗口增量因子图的自适应多传感器融合定位框架。通过引入运动状态感知的因子调度策略和残差驱动的向量式自适应加权模型，该框架在GNSS拒止的复杂运动环境中实现了高精度与实时性的平衡。现场实验表明，AVFGO在240秒的GNSS拒止测试中，三维位置均方根误差（RMSE）为0.380 m，相比全增量因子图优化（IFGO）误差降低65.36%，相比固定滑动窗口因子图优化（SWIFGO）降低52.71%；平均单步优化时间仅0.0389 s，相比IFGO加速11.9倍，相比SWIFGO降低75.81%。该研究验证了运动状态感知融合与向量式自适应加权在提升定位精度和计算效率方面的有效性。论文发表在《Machines》。
**3. 主要关键技术方法**
- **滑动窗口增量因子图构建**：将多传感器测量（激光雷达里程计、航姿参考系统AHRS、轮式里程计ODO、气压计）按时间戳作为异步因子插入，IMU预积分提供高频状态传播，仅优化活动窗口内的状态变量，并通过边缘化机制将历史信息保留为先验因子，约束优化规模。
- **运动状态感知自适应融合率策略**：利用IMU辅助的运动状态识别（基于比力与重力偏差、角速度幅值、偏航率），动态调整传感器因子插入密度，在稳态运动时降低冗余计算，在动态或异常区间增加约束密度。
- **残差驱动的向量式自适应加权模型**：针对每个传感器的不同测量维度（如激光雷达的水平/垂直位置、AHRS的横滚/俯仰/偏航），根据当前残差和运动状态指标计算自适应调整系数，独立膨胀各维度协方差，实现异质传感器在不同维度上的权重分配，等效于有界迭代重加权最小二乘层。
**4. 研究结果**
- **4.1 实验设置**：采用地面轮式无人车辆平台，配备NVIDIA Jetson AGX ORIN、STIM300 IMU、C16激光雷达、AHRS、轮式里程计和气压计，在GNSS拒止环境下采集轨迹（含直线、转弯、加减速），以NovAtel SPAN-KVH1750作为高精度参考。算法参数基于传感器标称值在短训练段调整。
- **4.2 实验分析**：通过与IFGO、SWIFGO及标量自适应加权变体对比，AVFGO在定位精度上显著提升。在转向和局部退化区域，AVFGO的误差峰值更低且恢复更快。三维位置RMSE从IFGO的1.098 m和SWIFGO的0.804 m降至0.380 m。平均优化时间从SWIFGO的0.16 s降至0.04 s，在高动态时段仅增至0.06 s，保持实时性。消融研究表明，向量式自适应加权提供了最大的精度改善。诊断灵敏度测试显示，名义参数设置下取得最佳平衡，过度激进的高速率插入或下采样会降低精度。外部基线对比表明，AVFGO适用于有界窗口、GNSS拒止的异质车辆传感器融合场景。
- **4.3 诊断灵敏度与外部基线定位**：通过参数敏感性测试（融合频率、可观测性、姿态参数）验证了系统对阈值变化的响应，名义设置下达到最佳平衡。与代表性外部基线（如LIO-SAM、FAST-LIO2）的适用范围比较表明，AVFGO专注于有界窗口、GNSS拒止的异质车辆传感器融合，而非视觉-惯性或激光雷达-惯性建图管线。
**5. 讨论与结论**
讨论部分指出，当前验证基于单一室外轨迹和单一轮式平台，限制了结果的泛化性。未来工作将进行重复试验、跨平台（不同机器人系统）和跨场景验证，并引入包丢失、通信延迟、传感器偏差注入等受控退化测试以评估鲁棒性。方法上，将改进运动状态识别规则和有界协方差膨胀策略，可能通过概率或学习型运动模式识别及更全面的鲁棒加权模型。
**研究结论**：本研究提出AVFGO，一种面向复杂运动环境的滑动窗口增量因子图自适应多传感器融合定位方法。其主要创新在于将运动状态感知因子调度和残差驱动向量式自适应加权集成于有界滑动窗口因子图中。在240秒GNSS拒止现场实验中，AVFGO实现了0.380 m的三维位置RMSE和0.0389 s的平均单步优化时间，在测试平台上定位精度和运行时间均优于IFGO和SWIFGO。
