《Ocean Engineering》：A Dual-LiDAR ship-shore collaborative pose estimation method for USV berthing and unberthing
编辑推荐：
船岸LiDAR（Light Detection and Ranging）协同抑制了USV（Unmanned Surface Vehicle）靠泊位姿漂移。Scan Context（扫描上下文）和FPFH（Fast Point Feature Histogram
船岸LiDAR（Light Detection and Ranging）协同抑制了USV（Unmanned Surface Vehicle）靠泊位姿漂移。Scan Context（扫描上下文）和FPFH（Fast Point Feature Histograms）建立了可靠的跨平台位姿约束。分布式因子图优化（Factor Graph Optimisation）使用了紧凑的节点间消息。该框架在低通信负载下保持了实时位姿估计。该方法改善了遮挡狭窄泊位场景中的定位能力。
论文解读文章
**研究背景与问题**
随着全球海运量持续增长及航运业对安全与效率要求的提升，港口作业正加速向自动化和智能化发展。无人水面艇（USV）的自主靠离泊被视为实现全无人海事作业的最后技术壁垒，其可靠性和安全性直接决定了USV在真实港口环境中的实用价值。在靠离泊这一典型低速、高精度机动过程中，船舶需要连续获取精确的位置和姿态估计，这是确保操作安全和提高港口效率的前提。当前，船舶位姿估计主要依赖全球导航卫星系统（GNSS）与惯性导航系统（INS）的组合导航方案。然而，在港口等复杂近岸环境中，高耸的岸桥、建筑物和集装箱堆场常导致GNSS信号遮挡和严重多径效应，造成定位精度显著下降甚至长时间信号中断。虽然海洋雷达具有全天候目标探测能力，但其角分辨率有限，无法精确表征近场结构（如码头岸壁），难以满足厘米级靠泊定位需求。视觉传感器在目标识别和场景理解方面有优势，但性能高度依赖光照条件，易受雨雾等恶劣天气影响，限制了其在复杂港口场景中的鲁棒性和可靠性。近年来，三维激光雷达（LiDAR）因其高测距精度和对光照的鲁棒性，在自动驾驶和机器人领域得到广泛应用。基于LiDAR的位姿估计方法通常遵循同步定位与地图构建（SLAM）原理，在GNSS退化环境中提供高精度定位。然而，对于靠离泊这类对长期精度要求严格的任务，单一船载或岸基LiDAR位姿估计系统不可避免地存在随时间增长的累积误差。这种漂移的根本原因在于单平台LiDAR SLAM的误差传播机制：系统主要依赖连续帧间的里程计约束，每帧的配准误差通过时间链传递到后续位姿，即使引入IMU/GNSS融合或多传感器融合，这些方法仍属于单平台系统，当可靠GNSS或其他绝对参考不可用时，累积漂移无法被有效约束。现有研究通常采用两种技术路线：一是通过升级硬件或引入多传感器融合来增强单船定位系统的短期精度，但无法从根本上消除长期漂移；二是依赖高精度先验地图，但地图构建和维护成本高，且对动态环境变化敏感。因此，研究人员提出船岸协同感知与位姿估计方法，通过部署固定岸基感知节点，形成与船载传感器的协同网络，利用岸基平台的静态位姿作为全局参考，为船舶位姿估计提供可靠的外部约束，从而系统性地抑制累积漂移。
**研究内容与结论**
为克服单平台位姿估计系统的固有限制，研究人员提出了一种基于分布式LiDAR的船岸协同位姿估计方法，专门用于USV靠离泊场景。该方法将船载和岸基平台视为对等计算节点，无需依赖中央服务器，通过地点识别、船岸相对位姿估计和因子图优化的协同运行，实现全局一致的高精度位姿估计。主要贡献包括：开发了融合地点识别、相对位姿估计和因子图优化的完整船岸协同框架；针对港口环境特点，引入基于Scan Context的全局描述子用于快速船岸地点识别，并采用基于改进快速点特征直方图（FPFH）的局部特征匹配策略实现精确相对位姿估计；设计了针对靠泊场景的船岸协同优化策略，以固定岸基LiDAR作为稳定参考节点，仅交换紧凑描述子、相对位姿测量和边界状态信息，支持低通信负载下的实时部署。实验在VRX仿真环境中进行，结果表明该方法在复杂港口环境中实现了约0.42米的绝对轨迹误差（ATE），同时保持14.2帧/秒的实时性能，且通信开销低。在模块层面，Scan Context地点识别模块在短距离（<100米）内成功率达98.10%，描述子大小仅4.13 KB，处理时间24.3毫秒；相对位姿估计模块达到相对平移误差（RTE）0.06米、相对旋转误差（RRE）0.18°、成功率96%；与单平台SLAM方法A-LOAM（ATE 8.75米）和LIO-SAM（ATE 3.21米）相比，该方法将ATE降低了86.9%（相对于LIO-SAM）。鲁棒性分析表明，在低至中等传感器噪声和姿态扰动下，系统性能保持稳定，但在高扰动下性能下降明显。
**主要关键技术方法**
研究人员主要采用了以下关键技术方法：基于Scan Context全局描述子的船岸协同地点识别，通过将三维点云投影为二维矩阵，利用极坐标分环和扇区编码，实现快速场景检索；基于改进FPFH描述子的局部特征匹配方法，通过均匀采样关键点、线性度滤波和样本一致性初始配准（SAC-IA）结合小通用迭代最近点（Small-GICP）算法，实现高精度船岸相对位姿估计；基于因子图优化（FGO）的后端优化框架，使用iSAM2增量求解器，联合优化LiDAR里程计因子和船岸相对位姿因子，以固定岸基位姿节点为锚点，抑制累积漂移；事件驱动的通信机制，仅交换紧凑描述子、相对位姿测量和边界状态信息，避免传输原始点云。实验在VRX虚拟仿真平台中进行，使用WAM-V USV模型和模拟VLP-16 LiDAR传感器，船载和岸基平台通过局域网连接，实现分布式计算。
**研究结果**
1. **船岸协同地点识别**：基于Scan Context的地点识别模块在不同距离区间进行测试。结果表明，在短距离（<50米）和中距离（50-200米）内识别成功率稳定，长距离（>200米）时性能下降。在有效传感范围内（<100米），成功率达98.10%，远优于M2DP描述子（82.43%），且描述子大小和平均处理时间均显著降低，表明Scan Context在通信效率和实时性方面具有优势。
2. **船岸协同相对位姿估计**：基于改进FPFH的相对位姿估计模块在100个候选匹配对上进行测试，以平移误差<0.30米且旋转误差<2.0°为成功标准。该方法达到RTE 0.06米、RRE 0.18°、成功率96%，平均处理时间45.7毫秒。与Small-GICP（RTE 0.04米，RRE 0.12°，成功率62%，时间158.4毫秒）和KISS-Matcher（RTE 0.09米，RRE 0.22°，成功率90%，时间22.1毫秒）相比，该方法的成功率和计算效率综合最优，在复杂港口环境中平衡了精度与鲁棒性。
3. **船岸协同因子图优化**：在VRX仿真环境中模拟约100米×100米的港区，进行10分钟连续靠离泊实验。提出的方法达到ATE 0.42米，运行频率14.2 FPS。相比之下，单平台LiDAR SLAM方法A-LOAM的ATE为8.75米，LIO-SAM为3.21米，表明引入船岸相对位姿约束后，累积漂移得到显著抑制，轨迹全局一致性大幅提升。
4. **鲁棒性分析**：在引入点云噪声、横摇/纵摇扰动和升沉扰动后，在低、中、高扰动水平下分别测试。低扰动时RTE 0.11米、RRE 0.26°、成功率94%、ATE 0.50米；中扰动时RTE 0.19米、RRE 0.45°、成功率88%、ATE 0.68米；高扰动时RTE 0.28米、RRE 0.77°、成功率76%、ATE 1.05米。表明方法在中低扰动下保持稳定，高扰动时性能下降，需在未来引入姿态补偿和波浪感知点云校正。
**讨论与结论**
讨论部分总结了方法的主要优势：首先，通过引入固定岸基LiDAR参考，船岸约束周期性校正累积漂移，提升长期轨迹一致性，且不依赖GNSS，降低了对复杂港口环境信号遮挡的敏感性；其次，采用紧凑描述子交换，避免了原始点云传输，通信带宽利用率高，适合实际部署；第三，固定参考节点简化了因子图拓扑，减少优化变量，分布式架构平衡计算负载，具有良好的可扩展性。局限性包括：VRX仿真在名义静态条件下进行，未考虑风、浪、流等动态海洋扰动，导致船舶横摇、纵摇和升沉运动被忽略，LiDAR测量无运动畸变；实际靠泊中，大角度横摇和纵摇可能引起扫描畸变和视角变化，动态障碍物也会引入不稳定点云特征。当前方法通过关键点滤波和几何一致性检验可抑制部分扰动，但未显式建模波浪诱导运动畸变。通信延迟方面，仿真中双方共享同一ROS时钟，局域网延迟有限，而实际大延迟可能降低漂移校正频率。未来工作将集成IMU辅助运动补偿和动态目标分割，并在不同海况下进行实地试验。
研究结论：实验结果表明，提出的船岸协同位姿估计方法在复杂港口环境中实现了约0.42米的绝对轨迹误差，同时保持14.2 FPS的实时性能和低通信开销。在模块层面，Scan Context提供了紧凑高效的地点识别，相对位姿估计模块达到RTE 0.06米、RRE 0.18°、成功率96%。研究结果证实，引入静态岸基参考能有效抑制长期累积漂移，使系统在长时间运行中保持全局一致性。受控扰动实验表明，该框架在中低传感器噪声和姿态扰动下保持稳定，但精度随扰动增加而下降。该研究为船岸协同感知在自主靠泊中的应用提供了初步证据，但在实际部署前仍需进一步实地验证。论文发表在《Ocean Engineering》。
