引言
水果和茶叶作物作为全球重要的经济商品 (Ahammed and Li, 2022, Chen et al., 2024b, Chen et al., 2026)，对大规模种植下高效和可持续的田间管理提出了越来越多的要求 (Jiang et al., 2024, Zhang et al., 2014)。在劳动力成本上升和人口老龄化的背景下，农业机器人正逐渐承担自主导航、环境检查和作物监测等任务 (Jung et al., 2021, Huang et al., 2020, Zhang et al., 2019)，这些任务 critically 依赖于稳定可靠的三维 (3D) 空间建模 (Fu et al., 2020, Xie et al., 2023)。然而，果园和茶园环境本质上是非结构化的，其特征是复杂地形、重复的植被模式以及动态变化的光照条件 (Chen et al., 2024a, Tang et al., 2020)。这些因素使得长期运行期间保持稳定的传感器观测变得困难。这会导致累积位姿误差、不可靠的回环约束，并最终导致全局地图一致性和局部结构表示的退化 (Li et al., 2025a, Gimenez et al., 2022, Gao et al., 2018)。因此，在大规模非结构化农业环境中实现全局一致、保留细节的稠密 3D 建图仍然是一个重大挑战。
尽管存在这些挑战，稠密空间观测在农业环境中仍然是不可或缺的，因为它们提供了准确的环境理解和田间检查所需的详细几何和结构信息。近年来，具有实时 3D 重建能力的同步定位与建图 (SLAM) 技术已成为一种有前景的方法，用于实现农业机器人中的稠密环境感知 (Ahmed et al., 2023, Ding et al., 2022)。Teng 等人 (2023) 使用 LiDAR 实现了果园中果树的 3D 重建。然而，其有限的空间分辨率限制了细枝结构的捕捉。Li 等人 (2025) 结合了实例分割与 ORB-SLAM3，在自然茶园环境中重建茶梢的 3D 点云。Chen 等人 (2021) 采用了集成 ORB-SLAM3 的手眼立体视觉系统，在果园中实现全局建图和局部稠密重建，为大规模环境下的自主作业奠定了基础。Xiong 等人 (2023) 将语义分割融入 ORB-SLAM3，实现了果树和水果的 3D 建模和空间定位。Zheng 等人 (2026) 进一步将多相机系统集成到 SLAM 框架中，实现了大规模果园中的实时感知，能够同时估计树木分布和重建详细的水果结构。
这些研究表明，基于视觉的 SLAM 方法保留了丰富的外观和几何细节，在作物形态表示和细粒度局部环境重建方面具有优势。然而，在非结构化农业环境中，由光照变化和纹理退化引起的挑战仍未得到充分解决。此外，大多数现有研究仍局限于局部稠密建图，尚未满足农业机器人对支持大规模、长期自主操作的全局地图的要求。
为了增强农业机器人在大规模环境中的自主能力，越来越多的努力集中在实现全局稳定和可靠的定位与建图上。Cong 等人 (2023) 通过优化 ORB-SLAM2 中的特征提取和关键帧选择，提高了定位精度和计算效率。然而，长期特征稳定性仍然有限。Ni 等人 (2025) 通过细化 LiDAR 观测噪声模型，解决了温室环境中的高反射条件，从而提高了建图鲁棒性。Li 等人 (2021) 采用车轮编码器测量来补偿 LiDAR 运动畸变，从而提高了 Gmapping 算法在果园环境中的建图精度。然而，由于地形不平坦和车轮频繁打滑，编码测量误差在长期运行中难以抑制。为了进一步提高鲁棒性，几项研究探索了多传感器融合策略，以增强定位稳定性和地图一致性 (Capua et al., 2018)。Yan 等人 (2022) 使用扩展卡尔曼滤波 (EKF) 融合视觉传感器、IMU 和车轮里程计，实现了温室环境中的定位与建图。Song 等人 (2022) 开发了一种基于单目视觉和 IMU 的视觉惯性里程计框架，通过轨迹恢复机制进一步提高了崎岖地形和动态光照下的连续定位性能。Choi 等人 (2025) 结合了 IMU 和 LiDAR，引入了一种基于 IMU 的倾斜补偿机制，提高了崎岖地形中的 LiDAR 扫描精度。Shen 等人 (2023) 进一步提出了一种整合 IMU、LiDAR 和 GPS 的紧密耦合框架，将局部点云地图纳入匹配过程以减轻轨迹漂移。Liu 等人 (2023) 融合了视觉传感器和 LiDAR，实现了果树和水果的 3D 重建。Zhang 等人 (2023) 提出了一种适用于非结构化果园环境的多传感器融合框架，其中采用了基于 EKF 的联合定位，并构建了 3D RGB 点云地图以支持田间管理。
这些研究共同表明，多传感器融合可以显著增强机器人的定位稳定性和大规模建图能力。然而，现有工作主要强调位姿估计精度、局部地图优化或在特定退化条件下鲁棒性增强，而对于在大规模环境中同时保持全局地图一致性和局部几何细节的关注则相对较少。
总体而言，当前的农业 SLAM 系统主要是为了稳定的轨迹估计或局部细粒度建图而设计的，生成的地图主要用于导航或局部感知，而非全面的场景表示。在大规模和长期田间作业中，持续的机器人自主性关键取决于对环境的完整、连续且几何细节丰富的 3D 表示。全局一致地图可以表示操作边界、行间连接性以及之前覆盖的区域，从而减少重复田间作业期间的冗余遍历、覆盖遗漏和定位漂移。稠密的局部点云进一步捕捉关键的农业结构，包括作物行、冠层边缘和障碍物轮廓。因此，对于针对非结构化果园和茶园环境中长期自主运行的全局稠密建图系统，仍存在明确的需求，该系统可以为作业区域评估、导航、避障和田间检查分析提供可靠的 3D 空间基础。
在此，我们提出 AMSF-SLAM，这是一种专为复杂农业环境设计的多传感器融合 SLAM 系统。通过整合视觉、LiDAR 和 IMU 测量数据，AMSF-SLAM 建立了基于融合的里程计，提高了位姿估计的连续性和稳定性。进一步纳入回环检测和非线性优化，以约束长距离运行期间的误差累积和轨迹突变，从而保持全局地图一致性。在此框架基础上，多源点云在统一的空间参考系内融合，实现了同时保持全局一致性和局部结构细节的稠密建图。与以往研究相比，本工作强调在复杂农业环境中的持续全局地图一致性、连续建图能力以及详细的局部结构表示。
