评估扩展卡尔曼滤波里程计对2D LiDAR SLAM算法性能的影响

《Sensors》：Evaluating the Impact of Extended Kalman Filter Odometry on the Performance of 2D LiDAR SLAM Algorithms

　　

准确的定位与建图对于在未知环境中作业的自主移动机器人至关重要。研究人员探究了基于扩展卡尔曼滤波（EKF）的传感器融合对三种广泛使用的二维（2D）LiDAR同步定位与建图（SLAM）算法——GMapping、Karto SLAM与SLAM Toolbox——性能的影响。研究人员利用EKF融合轮式编码器纵向速度与惯性测量单元（IMU）偏航角速度，并在MIT Stata Center数据集上与原始轮式里程计进行对比。定位性能在SLAM前后均通过多段轨迹的平移与旋转绝对位姿误差（APE）进行评估，每种SLAM配置重复执行5次以刻画运行间变异性。SLAM前，相较于原始里程计，EKF滤波里程计将平移APE均方根误差（RMSE）降低约61–75%，旋转APE RMSE降低约65–77%。SLAM后，两种里程计来源的平移差异大幅缩小且随算法与轨迹而异，旋转性能变化更大且不一致。结果表明：上游里程计精度的显著提升未必带来最终SLAM定位的成比例改善，且传感器融合的影响因SLAM算法与轨迹段而异，为自主移动机器人定位策略选择提供实践指导。

研究背景方面，自主导航是智能移动机器人的核心能力，而同步定位与建图（SLAM）要求机器人在估计自身位姿的同时构建环境地图。多数2D LiDAR SLAM算法以轮式编码器里程计作为相邻激光扫描间运动的初值，但轮式里程计会因打滑、地面不平、编码器量化与积分累积误差而逐渐退化。虽可将轮式编码器与IMU经扩展卡尔曼滤波（EKF）融合以提升上游里程计精度，但既有文献较少在其它条件一致时考察“上游里程计精度提升”如何跨不同SLAM算法传播至最终定位。该研究发表于《Sensors》，由研究人员针对GMapping、Karto SLAM与SLAM Toolbox三类算法，在固定LiDAR输入、回放流程与评估方法下，对比原始轮式里程计与EKF滤波里程计（融合轮式纵向速度v_x与IMU偏航角速度ω_z）的影响，得出“上游里程计大幅改善不必然转化为端到端SLAM定位的同比例改善”这一结论，对机器人定位流水线设计具有实践意义。

关键技术方法上，研究人员采用MIT Stata Center数据集（PR2机器人采集的2012-04-06-11-15-29.bag，含Hokuyo UTM-30LX 2D LiDAR、轮式编码器与MicroStrain 3DM-GX2 IMU），从中提取原始轮式里程计与IMU并剔除数据集自带EKF结果；以ROS robot_localization实现EKF（100 Hz），纵向速度测量协方差重标定为0.01 (m/s)²，IMU偏航角速度协方差取1.44×10^?4 (rad/s)²；生成原始与EKF滤波两组回放包，并将全轨迹切为A–C段与完整D段；三种SLAM算法用默认参数在ROS Melodic下各跑5次共120次执行；位姿以evo工具按SE(2)刚体对齐后算平移/旋转绝对位姿误差（APE）的RMSE、均值与最大值，并用Welch t检验判断运行间差异显著性。

研究结果部分，按原文小节归纳如下。

局部化评估（Localization Evaluation）小节：SLAM前EKF里程计相对原始里程计在A–D轨迹上平移APE RMSE降低60–75%、旋转降低65–77%，轨迹更贴地真值；但SLAM后表3显示两里程计源平移差明显缩小且不恒优于EKF，表4的Welch检验表明GMapping在A、B、D与SLAM Toolbox在A、D的平移差无统计显著，而Karto SLAM在A–C平移误差反因EKF升高且显著；旋转误差跨算法方向不一。结论为上游里程计增益被SLAM内部修正部分吸收。

影响SLAM性能的里程计质量（Impact of Odometry Quality on SLAM Performance）小节：研究人员指出里程计仅提供初值，LiDAR扫描匹配提供环境约束修正，故EKF前61–75%平移改善未成比例传入最终位姿，证明扫描匹配可补偿大部分里程计漂移。

SLAM算法间差异（Differences Between SLAM Algorithms）小节：GMapping（Rao-Blackwellized粒子滤波）平移变化小、旋转多段改善；Karto SLAM与SLAM Toolbox（图优化）多数轨迹下EKF反而令误差上升。架构差异可能是原因，但因未孤立扫描匹配器与闭环参数，仅能视为数据依赖趋势。

轨迹特征影响（Influence of Trajectory Characteristics）小节：SLAM前C段改善最大（平移74.6%、旋转77.2%）；SLAM后旋转表现随段而异，如SLAM Toolbox在B、D段旋转误差降36.9%与24.0%，在A、C段升22.6%与29.7%。因A–C为D子集，长度与转角耦合不可分，仅作轨迹依赖性证据。

讨论小结：研究人员强调EKF融合在上游单独评估收益显著，但端到端SLAM中因扫描匹配、图优化与闭环的存在，里程计质量边际贡献被稀释且方向因算法/轨迹而异；评价需在固定流水线下分“SLAM前/后”两层看，不能为“用了EKF就一定更好”背书。

结论部分翻译：本研究评估了里程计质量对SLAM定位性能的影响，在原始轮式里程计与EKF融合IMU里程计两条流水线下测试多算法。SLAM前EKF将平移与旋转APE RMSE分别降低约60–75%与65–77%；SLAM后平移差大幅缩小且随算法轨迹变，旋转变化更大且不一致，说明所评SLAM算法能补偿大部分里程计误差，传感器融合对最终定位影响有限。因仅用单趟记录，结论限于该数据集与配置；重复执行刻画运行间变异而非独立环境样本。未来工作将用独立采集、系统性变化长度/转角/角速度/几何的轨迹评估。