适用于复杂地下环境的地形自适应激光雷达-惯性测量单元（LiDAR-IMU）SLAM技术，结合多特征融合算法

《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》：Terrain-Adaptive LiDAR-IMU SLAM with Multi-Feature fusion for complex underground environments

　　

马爱强|林晓虎|姚万强|马博林|高银楠|杨欣|严涛|王翔

西安科技大学测绘学院，中国西安710054

摘要

借助同时定位与地图构建（SLAM）技术的移动机器人正成为下一代地下智能的关键推动者，为地下基础设施的智能管理和安全监控提供重要支持。然而，现有的LiDAR SLAM方法过度依赖几何特征，而忽视了点云的强度信息和地面结构约束，导致前端鲁棒性降低和后端融合性能受限。为了解决这些问题，本文提出了一种地形适应的LiDAR-IMU SLAM框架，该框架系统地将强度特征增强与基于黎曼流形的地面约束相结合。首先，设计了一种基于球坐标强度场的自适应特征熵增强方法。采用六网格平均方案的球形强度模型来提取反射特性，显著提高了在低纹理地下环境中的几何匹配精度和姿态估计的鲁棒性。其次，设计了一种在黎曼流形上的地形适应机制，其中利用带有法向量测地距离的坡度动态模型来捕捉地形变化。滑动窗口内的指数遗忘加权策略进一步实现了对渐进到突变坡度变化的平滑适应。最后，开发了一个多特征融合优化模块，该模块在滑动窗口因子图中动态平衡几何特征和强度特征。在包括地铁隧道、煤矿巷道和地下停车场设施在内的代表性地下环境中进行的广泛实验表明，所提出的方法将垂直漂移误差降低了67.78%，并实现了最小的绝对姿态误差0.254米。这些结果证实了在精度和鲁棒性方面的显著改进，为智能地下检测和基础设施监控提供了可靠的技术基础。

引言

地下环境通常被视为国家空间资源的战略延伸，在支持可持续经济发展、基础设施韧性和全球向智能资源利用转型方面发挥着越来越重要的作用（Wang等人，2025a；Sun等人，2025a）。随着近地表资源的枯竭，对深层地下环境的智能探索和监控已成为现代工程的关键前沿（Lin等人，2024；Di Lauro等人，2025；Lin等人，2025）。然而，这些环境由于其复杂、非结构化和动态的特性，对自主感知提出了重大挑战。GNSS信号的缺失、光照不足、空气中的灰尘以及大型机械造成的频繁遮挡共同降低了定位的可靠性，并阻碍了长期自主操作（Zhao等人，2025）。

配备SLAM技术的移动机器人已成为下一代地下智能的基石。它们能够实现精确的空间感知、自主导航和实时安全监控，支持智能采矿、隧道建设和地下基础设施检测（?troner等人，2025；Li等人，2025）。全球范围内，地下自动化的开发正在加速，这体现在诸如DARPA地下挑战赛等大规模项目中，这些项目展示了鲁棒感知和映射对于自主地下探索的关键重要性（Ebadi等人，2024）。尽管如此，在这种退化环境中实现可靠的定位和映射仍然是一个巨大的挑战。传统的SLAM方法大致可以分为视觉SLAM和LiDAR SLAM。视觉SLAM系统，如ORB-SLAM（Mur-Artal等人，2015）和DSO（Wang等人，2017），在光照良好的场景中表现良好，但在光照不足和有灰尘的情况下性能会下降。相比之下，LiDAR SLAM系统，如LOAM（Zhang和Singh，2014）以及Guadagnino等人（2025）提出的方法，不受光照条件的影响，仅在结构化场景中实现高定位精度。然而，它们仅依赖几何线索，在低纹理或重复的地下环境中性能会下降，因为稀疏特征和运动失真会导致累积误差（Yang等人，2022）。惯性测量单元（IMUs）可以提供高频运动约束，并表现出强大的短期鲁棒性。因此，研究人员越来越关注LiDAR和IMU数据的融合（Fan等人，2025；Liu等人，2025）。这种融合策略结合了来自激光雷达的丰富空间结构信息和惯性数据的时间连续性，有望在复杂环境中提高系统的稳定性和精度。

尽管取得了这些进展，但仍存在一些局限性。大多数LiDAR SLAM框架专注于几何特征提取，而忽视了点云强度的信息潜力以及地面结构施加的物理约束。缺乏自适应地形建模通常会导致在不平坦或倾斜的表面上出现垂直漂移。尽管最近的研究引入了强度线索或地面先验，但它们与几何特征的结合仍然松散，且很少能够动态适应地形变化（Patrick等人，2024；Wang等人，2024；Jagan Sathyamoorthy等人，2023）。因此，现有的融合方法难以在多样化的地下环境中保持一致的精度和鲁棒性。

为了解决这些问题，本文提出了一种地形适应的LiDAR-IMU SLAM框架，该框架将强度特征增强与地形适应的黎曼流形优化相结合。所提出的框架通过动态置信度优化建立了几何、强度和惯性信息的统一表示，提高了前端鲁棒性和后端一致性。本工作的主要贡献总结如下：

(1) 在球坐标强度场中开发了一种熵引导的特征增强方法。球形强度表示结合六边形网格平均策略，提高了反射特征提取的准确性，从而增强了在低纹理环境中的特征匹配精度和姿态估计的稳定性。

(2) 引入了一种基于黎曼流形的地形模型，将坡度变化表征为表面法向量的测地演化。滑动窗口框架内的指数遗忘加权策略实现了对渐进和突变地形的平滑适应，减少了垂直漂移的累积。

(3) 设计了一个紧密耦合的因子图优化框架，用于结合LiDAR关键帧、IMU预积分和循环闭合约束。动态置信度评估函数动态平衡了几何和强度信息，提高了定位精度和全局映射的一致性。

在包括地铁隧道、煤矿隧道和地下停车场设施在内的代表性地下环境中进行了广泛实验。结果表明，所提出的方法在感知条件退化的情况下一致地提高了定位精度和鲁棒性。这些发现表明，具有多特征融合的地形适应SLAM在复杂地下环境中对于鲁棒定位和映射是有效的，为智能感知和自主决策任务提供了支持。

章节片段

相关工作

在地下环境中进行的广泛研究显著提高了定位的鲁棒性和映射精度。然而，由于隧道结构的重复性、灰尘和水雾、低纹理表面以及频繁的几何退化，地下场景仍然具有挑战性，所有这些都会对长期定位稳定性和映射一致性产生不利影响。为了解决这些挑战，本研究重点关注强度信息的自适应整合和动态

系统概述

本文提出了一种地形适应的LiDAR-IMU SLAM方法，该方法结合了增强强度的特征提取和动态地面约束，以实现复杂地下环境中的鲁棒定位和映射。整个流程如图1所示。原始传感器测量数据（图1a）包括以10 Hz频率获取的LiDAR扫描和以200 Hz频率记录的IMU测量数据。在数据预处理阶段（图1b），通过入射角校准LiDAR强度值

实验平台和场景

为了验证所提出方法的有效性，从三个具有代表性的退化地下环境中收集了数据集，并进行了定性和定量评估。这些数据集专门设计用于捕捉地下定位固有的核心挑战，包括煤矿隧道中的低纹理退化、停车场中由突变坡度变化引起的姿态漂移以及沿延伸轨迹的累积映射误差。

结论

本研究解决了传统LiDAR-SLAM系统在复杂地下环境中遇到的持续存在的垂直漂移和特征退化问题。为此，提出了一种地形适应的LiDAR-IMU SLAM框架，该框架结合了基于强度的特征提取和基于黎曼流形的地面约束，以提高鲁棒性和精度。所提出的球坐标强度场中的熵增强机制有效提高了

CRediT作者贡献声明

马爱强：撰写 – 审稿与编辑、验证、监督、方法论、资金获取、概念化。林晓虎：撰写 – 原始草稿、软件开发、形式分析、数据管理。姚万强：可视化。马博林：资源协调。高银楠：数据管理。杨欣：调查。严涛：验证。王翔：监督。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

致谢

本工作得到了国家自然科学基金（编号：42201484）的支持，同时也得到了陕西省自然科学基础研究计划（重点项目）（编号：2025JC-QYXQ-014）和陕西省教育厅地方产业化培养科学研究计划专项项目（编号：25JC072）的部分支持。