一种基于GNSS抑制的精确LiDAR SLAM系统，用于自由运行模型测试中的6自由度（6-DOF）运动跟踪

《Ocean Engineering》：A GNSS-denied precise LiDAR SLAM system for 6-DOF motion tracking in free-running model tests

　　金思源|尹坤航|金东汉|金俊贤|林顺赫|姜惠允|郑圣贤|徐真赫|朴钟勇 韩国釜山普吉大学海洋设计融合工程系，45 Yongso-ro, Nam-gu, 48511 **摘要** 传统的用于测量模型船六自由度（6-DOF）的传感器，如信标系统、Qualisys设备、CCD相机和机器人全站仪（RTS），存在明显的局限性，包括较大的测量误差或操作复杂性。为了克服这些局限性，本研究提出了一种基于3D激光雷达同时定位与地图构建（SLAM）的高精度6-DOF运动测量系统。该系统采用了正态分布变换算法，该算法以其对初始定位误差的鲁棒性和计算效率而闻名。此外，基于图的SLAM结合姿态图优化可以减少累积误差，显著提高姿态估计的准确性。为了弥补激光雷达SLAM不规则且相对较低的采样率，扩展卡尔曼滤波器整合了惯性测量单元（IMU）和SLAM得到的6-DOF测量数据，进一步提升了精度。韩国船舶与海洋工程研究所进行的自由运行模型测试（FRMT）通过将该系统与基于RTS的系统进行比较，验证了其有效性。所开发的系统实现了与RTS相当或更高的精度。此外，该系统在安装简便性、操作易用性和成本效益方面也具有显著优势。因此，基于3D激光雷达SLAM的系统成为传统传感器的可靠替代方案，为模型船的6-DOF运动测量提供了更高的精度和更好的可用性。 **引言** 全面评估船舶的机动性能是海事行业中的关键任务，尤其是在建造前的设计阶段。自由运行模型测试（FRMT）在模型尺度上进行全尺寸海试，包括转向和之字形测试，以评估机动特性并直接获取关键操作参数。FRMT在分析大型船舶（如油轮和集装箱船）在真实海洋条件下的复杂运动特性方面发挥着重要作用（Kim等人，2022年）。在各种条件下的测试（包括平静水域和波浪场景）使研究人员能够了解船舶在不同海洋环境中的动态响应（Kim等人，2019年、2020年、2023年）。 确保FRMT结果的可靠性需要一种可靠的方法来测量模型船的六自由度（6-DOF）运动（x、y、z、横摇、俯仰、偏航）。两种广泛采用的6-DOF运动跟踪导航系统是全球导航卫星系统（GNSS）和惯性导航系统（INS）。在户外环境中，GNSS和INS的集成可以实现高精度的6-DOF数据采集。然而，由于大多数FRMT是在室内进行的，而GNSS信号不可用，仅依赖INS在长时间测量过程中可能会出现误差累积问题。为了解决室内定位问题，常用的传感器包括信标、超宽带系统、Qualisys设备、电荷耦合器件（CCD）相机和机器人全站仪（RTS）。Xiong等人（2017年）使用雷达和信标传感器进行模型船位置测量。信标设备比其他设备更经济，但由于其对频率干扰的敏感性较高，精度相对较低。相比之下，基于光学传感的Qualisys和CCD相机提供了高精度测量。特别是Qualisys和CCD相机系统采用了光学运动捕捉技术，被全球的研究人员、海军和工业界广泛用于室内环境中模型船的6-DOF运动测量（Suzuki等人，2020年；Sanada等人，2013年；Ueno等人，2017年；Benetazzo，2011年）。然而，像Qualisys和CCD相机这样的光学传感器系统也存在一些局限性：如果被跟踪物体被遮挡或移出视野，可能会发生数据丢失。此外，在大型室内水池中部署这些系统会显著增加安装和运营成本，通常需要多个高成本设备。 最近的研究使用两个RTS实现了模型船四自由度运动的高精度测量（Kim等人，2019年、2020年、2022年）。在此基础上，后续研究开发并验证了一种使用三个RTS的6-DOF运动测量系统（Kim等人，2024年）。RTS是一种采用高精度激光测距和角度测量的设备，主要用于建筑和土木工程领域。尽管Kim等人（2024年）提出的基于RTS的系统提供了高精度测量，但它有两个明显局限性：（1）需要同时跟踪三个棱镜；（2）测量范围有限，这在拥挤的室内环境中会增加操作难度。在测试过程中，如果模型船超出RTS的测量范围或经过障碍物后方，目标棱镜可能会被遮挡在RTS的视线之外，导致跟踪失败。此外，两个或多个RTS单元同时跟踪同一个棱镜可能会导致测量数据重叠，从而降低精度。这些问题会妨碍在复杂室内水池环境中进行可靠6-DOF运动测量的精度和可行性。因此，对于需要高精度数据采集的测试来说，这些局限性构成了重大挑战，凸显了需要一种能够克服现有室内导航技术局限性的替代测量系统的必要性。 同时定位与地图构建（SLAM）已成为测量各种平台上位置和6-DOF运动的关键技术，包括自动驾驶车辆（Abdelaziz和El-Rabbany，2022年）、移动机器人（Kuramachi等人，2015年）和无人驾驶无人机（Hansen等人，2022年；Zhang等人，2022年；Merrill等人，2022年）。特别是Abdelaziz和El-Rabbany（2022年）研究了在GNSS不可用环境中使用激光雷达（LiDAR）和视觉SLAM的车辆惯性导航系统，而Hansen等人（2022年）评估了在GNSS丢失情况下结合SLAM和运动捕捉估计6-DOF运动的有效性。随着对高精度船舶位置和姿态估计需求的增加，基于SLAM的方法在海事和船舶应用中也得到了越来越多的应用（Lan等人，2024年；Chen等人，2023年；Wang等人，2024年）。SLAM方法包括视觉（单目/立体）、激光雷达和多传感器融合（例如激光雷达-视觉）模式。视觉SLAM利用相机图像，因其低成本和紧凑性而具有吸引力（例如SOFT2（Cvi?i?等人，2023年））；然而，对光照变化、纹理缺失和运动模糊的敏感性可能会在实际应用中降低精度和鲁棒性，尤其是在GNSS不可用的室内环境中。