近日，我校工程学院马瑞峻/陈瑜团队在国际知名期刊Computers and Electronics in Agriculture（中科院一区Top，影响因子8.3）上发表题为“Three-dimensional localization and mapping of multiagricultural scenes via hierarchically-coupled LiDAR-inertial odometry”的研究论文。论文提出一种基于无特征设计的分层耦合策略处理激光点云数据和惯性测量数据的激光惯性SLAM（Simultaneous Localization and Mapping，同时定位与建图）系统，为农业机器人在不同农业种植场景进行空间定位和环境测绘提供了新的研究思路和方法。
准确的态势感知对于各种农业任务至关重要，也是自主农业机器人的基础。基于视觉和LiDAR的SLAM技术已经广泛应用在各类农业机器人上，例如农业机器人的状态估计和环境感知，但是，大多数方法在前端采用了基于规则的特征设计及提取方式进行。由于农业场景中基于人工规则的几何特征设计及提取方式是不稳定的，加之传统 LiDAR SLAM前端又对边缘和平面几何特征高度依赖，使得在非结构化且复杂的农业种植场景为各类农业机器人设计稳定的定位与建图系统是一项挑战。
针对上述问题，论文提出了一种无特征设计的分层耦合LiDAR-惯性里程计并基于增量因子图结合回环检测的综合 SLAM 系统。通过基于裁剪和统计过滤器去除来自机器人自身的测距点和异常点；使用惯性测量单元 （IMU）数据建模农业机器人的非线性运动过程来消除由快速移动和转弯引起的点云失真；在系统前端提出一种增强型体素化广义迭代最近点方法，该方法采用自适应概率分布方式对基于激光扫描到全局子图策略的点云注册过程进行权重更新；在系统后端则利用一个结合回环检测的增量因子图和几何观察器分层耦合LiDAR观测和IMU观测，来优化并收敛 LiDAR 关键帧和公共帧的全局状态估计，同时更新IMU状态的零偏。实验结果表明，本文的方法能在多种开放或密集的农作物种植场景中进行高效的农业机器人状态估计和环境测绘任务，并且基于无特征设计的前端可以直接适配不同扫描模式（例如，机械式，混合固态式，纯固态式）的LiDAR传感器。这项探索性研究为未来通用智慧农业机器人平台中的SLAM应用提供了理论和技术参考，具有广泛的基础应用能力，可以为智慧农业提供必要的技术支持。
2022级机器人工程专业硕士研究生洪苑乾为论文第一作者，马瑞峻教授和陈瑜副教授为论文的共同通讯作者。该研究得到了国家自然科学基金项目的资助。
相关论文信息：https://www.sciencedirect.com/science/article/pii/S0168169924008780
文图/工程学院
