一种地铁隧道退化环境下的地图构建方法.pdf

总第 484 期2023 年第 4 期一种地铁隧道退化环境下的地图构建方法陈志伟，潘文波，黄文宇，曾祥，李源征宇，袁超（中车株洲电力机车研究所有限公司，湖南 株洲 412001）摘要：为解决列车在地铁长隧道退化场景下的高精度点云地图构建需求，文章提出了一种基于激光雷达和惯性测量传感器的离线地图构建方法。该方法由基于误差卡尔曼滤波器的紧耦合前端里程计和基于因子图的后端优化组成。前端里程计利用惯性计算的结果进行预测，并根据激光雷达当前帧的点到局部地图平面点云的残差约束更新滤波器。其通过帧间里程计和其他约束因子构建全局位姿图，并进行平滑优化处理来构建地图。在轨道交通隧道环境下多次实验的结果显示，地图构建的位姿没有退化，多次数据的建图轨迹误差小于 0.1 m，轨迹的一致性满足列车主动防撞的精度要求，这验证了该方法的有效性。关键词：地图构建；紧耦合；图优化；轨道交通；隧道中图分类号：TP212 文献标识码：A 文章编号：20965427(2023)04004707doi:10.13889/j.issn.20965427.2023.04.007A Method for Map Construction in Degraded Environments of Subway TunnelsCHEN Zhiwei,PAN Wenbo,HUANG Wenyu,ZENG Xiang,LI Yuanzhengyu,YUAN Chao(CRRC Zhuzhou Institute Co.,Ltd.,Zhuzhou,Hunan 412001,China)Abstract:To meet the demand of high-precision point-cloud map construction under the scenes of degraded long subway tunnels,this paper proposes an offline map construction method based on LiDAR and inertial measurement sensors.The method consists of a tight coupling front-end odometry based on error-state Kalman filters and back-end optimization based on factor graphs.The front-end odometry predicts using the results of inertial computation and updates the filter based on the residual constraints of the current frames points to the local map plane.The global pose graph is constructed based on inter-frame odometry and other constraint factors,followed by a smoothing optimization process to build the map.Results from multiple experiments in tunnel environments of rail transit demonstrate that the map construction maintains accurate poses without degradation.The trajectory errors of multiple data map construction are less than 0.1 meters,and the trajectory consistency meeting the precision requirements of active collision avoidance for trains.This validates the effectiveness of the proposed method.Keywords:map construction;tight coupling;graph optimization;rail transit;tunnel0引言随着智能化、无人化技术的发展，轨道交通领域逐步引入智能驾驶系统来提升定位系统的运行效率与安全性1-2。列车对障碍物的主动防撞取决于列车自身位置姿态的估计以及对周围环境的自主感知3-4，基于车辆的定位信息以及提前确定的可行驶区域，可以准确判断当前障碍物是否入侵列车行驶区域。目前，列车主要利用通信信号系统提供的自动闭塞技术使列车在不同路段相互隔离以避免碰撞。在地铁隧道区间内主要使用应答器来获得列车的位置信息，而应答器的安装布置具有成本高、定位精度低等缺点。因此，如何使用自主感知技术实现对列车的高精度定位和目标检测至人工智能技术与应用收稿日期：20230604作者简介：陈志伟（1996），男，硕士，主要从事自动驾驶领域建图定位技术研究工作。基金项目：国家自然科学青年基金项目（5210120159）472023 年第 4 期关重要。列车运行区域的高精度点云地图能为定位和环境感知提供丰富的先验信息5。智能驾驶系统被广泛应用在公路交通领域，技术上也日趋成熟。在城市道路场景下，国内外很多学者提出了大量的点云地图构建方法6-7。LIO-mapping是一种用于3D姿态估计和建图的实时方法。在这种方法中，虽然惯性传感器（inertial measurement unit，IMU）与激光雷达紧密耦合，但是其要求使用机械旋转式雷达且计算成本高，还缺少后端全局位姿优化，因此，长距离工况下累计误差大8。LIOM提出一种点云地图构建方法，其利用IMU对雷达点云进行去畸变，并在城市路况下使用最近邻方法对点云进行语义分割，以去除运动物体影响；但是其前端采用松耦合设计，在特征不丰富的退化场景下效果较差9。VINS-MONO提出了一种视觉与IMU的紧耦合方法，其具有实时性强、对外参不敏感等优点，但是视觉对测量尺度不敏感，且不适用于光照不理想的隧道区域内10。在轨道交通领域，文献 11 提出一种基于轨道几何信息的同步建图定位方法，但是其精度较低且不适用于重定位。文献 12 基于激光雷达-视觉-GNSS（全球导航卫星系统）-IMU的紧耦合，提出一种适用于轨道交通室外场景的建图定位方法，其具有精度高、鲁棒性好等优点，但是未针对地铁长隧道特征退化场景进行优化。为此，本文针对地铁长隧道特征退化场景下的离线高精度点云地图构建需求，基于LiDAR-IMU紧耦合的前端帧间里程计和全局图优化求解的后端模块，提出了一种适用于长距离特征退化场景的建图方法。首先，本文提出了一种基于误差状态卡尔曼滤波器（error state Kalman filter，ESKF）的前端里程计和基于因子图的后端优化框架，并将实现了后端位姿更新的局部地图用于前端点面残差约束的建立；其次，针对长隧道特征退化环境，在后端因子图约束中添加了绝对位姿约束、迭代最近点（iterative closest point，ICP）约束以及Landmarks约束，从而减小位姿累积误差；最后，在轨道交通隧道场景下进行了算法验证。1传感器的选择用于建图定位的常用传感器主要包括卫星导航定位系统、惯性测量设备IMU、激光雷达以及相机13。由于隧道内光照条件不理想，相机对光照敏感且不适用于高速移动场景；同时隧道内缺少卫星信号，并且轨道交通需要考虑全天候的运行要求。因此，本文使用激光雷达以及IMU来实现高精度的离线建图。激光雷达又可以分为机械式雷达与半固态雷达。机械式雷达体积大成本高，而半固态雷达重量轻且成本低，更能实现批量应用的需求，因此本文采用的是半固态雷达。但是半固态雷达也给算法带来了新的挑战，主要包括：1）小视场角（field of view，FOV）导致在特征较少的场景中激光雷达的帧间匹配容易退化；2）由于雷达的扫描方式不同，传统的点云线面特征提取算法需要根据不同的扫描方式做适配；3）相比机械雷达的旋转式扫描，半固态雷达的激光点采样时间不同且难以用运动学方程进行补偿。这些都为半固态雷达的建图定位应用带来了挑战14。本文提出一种通用的前端里程计，其去除常用的点云特征提取模块，算法与雷达的扫描方式和扫描原理无关。2前端里程计前端里程计模块用于雷达帧间相对位姿关系的计算。由于LOAM系列的前端里程计都依赖点云线面特征的计算15-16，而半固态雷达的线面特征提取与雷达的扫描方式相关，因此本文参考FAST-LIO的思想，提出了一种不依赖点云特征提取的紧耦合前端里程计17，并针对轨道交通环境以及离线建图需求进行了修改。其算法流程如图1所示。图 1 前端里程计算法流程Fig.1Flow chart of front-end odometry algorithm482023 年第 4 期陈志伟 等：一种地铁隧道退化环境下的地图构建方法前端里程计算法选择以ESKF为基础的LiDAR-IMU紧耦合方法。初始化时，要求系统保持静止状态一段时间，利用收集到的数据初始化重力向量，IMU零偏以及噪声等。算法运行时，首先将激光雷达的原始数据输入雷达点云预处理模块，将无效点和近距离的盲区点过滤后，根据采样时间由小到大进行排序，方便后续根据IMU预积分结果进行点云畸变补偿；然后使用预积分方法实现IMU原始数据的惯性解算，并基于惯性解算结果完成对点云运动畸变的补偿以及ESKF的预测阶段。雷达和IMU数据的时间流如图2所示。图2示出了2次激光雷达的扫描过程，并分别设2次雷达扫描的起始时间分别为T1_start和T2_start，结束时间分别为T1_end和T2_end。在扫描过程中，可以得到T1_start到T1_end时间区间段内雷达的位姿变换为P1和R1，因此选择将T1_start到T1_end时刻所有的点云都变换到T1_end时刻，从而完成原始点云的运动畸变补偿。同时前端里程计需要输出两次扫描之间的帧间位姿变换，在ESKF的预测阶段，直接使用T1_end到T2_end时间段内的惯性解算结果P1-2和R1-2作为滤波器的预测输入。在ESKF中使用的状态变量与运动学方程分别如式（1）和式（2）所示。x=RG_IpG_IvG_IbbaGg(1)pG_I=vG_IvG_I=RG_I()am-ba-na+GgGg=0 RG_I=RG_Im-b-nb=nb ba=nba (2)式中：pG_I 大地坐标系下位置；vG_I 大地坐标系下速度；RG_I 大地坐标系下姿态的旋转矩阵；am加速度计测量值；ba加速度计零偏；na加速度计噪声；Gg重力矢量；m陀螺仪测量值；b陀螺仪零偏；n陀螺仪噪声；nb陀螺仪零偏的随机游走噪声；nba加速度计零偏的随机游走噪声。地图维护模块会根据激光雷达当前所在的位置维护一个滑动窗口，输出当前位置的局部地图用于scan-to-map的匹配。激光雷达原始点云经过运动补偿以及体素滤波降采样处理后，在ESKF中完成点到平面约束关系的建立。使用KD-tree最近邻搜索方式从局部地图中取出距离当前点(P)最近的5个点（P1P5），并使用主成分分析（PCA）方法拟合得到平面方程如下：Ax+By+Cz+D=0(3)式中：x、y、z点的三维坐标；A、B、C、D平面方程所拟合的参数。针对长隧道场景以及雷达点云的特性，需要满足以下两个条件才能认为该点可以作为平面点构建约束关系：1）P1P5这 5 个点到所拟合平面的距离均小于0.1 m。2）设定阈值s=1-0.9pdpl，其中，pd为点P到所拟合平面的距离，pl为点P到激光雷达中心的距离。由于任意两帧之间雷达的位置不可能发生跳变，因此pdpl。为了过滤异常平面点带来的量测误差，只有当s0.9时，才认为所构建的平面约束有效。最后，根据点云线面残差约束完成ESKF的更新，并将输出状态变量的最优估计值作为帧间前端里程计的输出，完成协方差矩阵的更新以及ESKF的迭代。3后端图优化在基于位姿图的后端优化问题中，因子图中的每一个节点用于表示待优化的位姿，任意两个节点之间的边表示两个位姿的空间约束（相对位姿关系以及对应协方差）。节点之间的相对位姿关系，可以由里程计、IMU和帧间匹配计算得到。由于在前端里程计中使用的是LiDAR-IMU紧耦合方法，因此在后端优化中不使用帧间IMU预积分约束。本文提出的后端框架中主要使用的约束包括帧间里程计因子、GNSS因子、ICP因子以及Landmarks因子18-19，构建的因子图如图3所示。后端在每添加一个新的关键帧后，其优化求解的初值均由前端里程计提供。3.1帧间里程计后端图优化的帧间约束由前端里程计提供。在优化关键帧的选取上，当前帧xi+1与之前的关键帧状态xi相比，当位姿变化超过阈值时，选择当前帧作为关键帧。在因子图中，新保存的关键帧xi+1与之前的状态节点xi相关联，两个关键帧之间的激光雷达非图 2 径向速度示意图Fig.2Diagram of radial velocity492023 年第 4 期关键帧则被丢弃。通过这种方式添加关键帧，既能平衡建图的密度和内存消耗，又能保持相对稀疏的因子图，适合离线的地图构建，最终能够得到xi和xi+1之间的相对位姿变换Tii+1。在实际的测试中，考虑激光雷达的视场角范围，同时为确保在退化场景中离线建图的精度，应根据当前帧位置和旋转变换来判别是否增加一个新的关键帧，其位置和旋转变换阈值分别被设定为0.5 m和5。3.2GNSS因子在退化场景下，仅仅依靠IMU和激光雷达的长时间位姿估计会存在累计误差。为了解决这个问题，在后端优化系统中需要引入绝对位姿测量的传感器来消除累计误差。本文使用的GNSS绝对位姿修正因子主要包括两类：1）由GNSS传感器得到的当前状态下的位姿，并将其转换到局部笛卡尔坐标系下。如图3所示，在关键帧x1处已经加入了GNSS因子。在将新的关键帧和其他约束加入因子图后，由于前端紧耦合里程计的累积误差增长是缓慢的，过于频繁地加入绝对位姿约束进行后端优化会造成约束求解困难和算法实时性差问题。因此，只有当关键帧x3与关键帧x1之间的位置变换超过阈值时，一个新的GNSS因子才会加入关键帧x3处并重新进行增量式的全局求解优化。此时，绝对位置的协方差矩阵取决于所使用的传感器精度以及卫星水平精度因子和垂直精度因子。一般情况下，x和y方向的方差要小于高度z方向的。同时，考虑到GNSS信号未与激光雷达进行硬件时间同步，因此需要根据激光雷达的时间戳对GNSS数据进行线性插值以实现时间戳对齐。2）在隧道环境下，因缺少卫星信号无法直接使用GNSS传感器来获得位姿修正。因此考虑在隧道内预先使用全站仪等测绘设备来得到控制点的绝对坐标。当激光雷达移动到相关控制点附近时，目标感知算法输出控制点在激光雷达坐标系下的相对坐标，然后根据式（4）可以得到激光雷达的绝对位置坐标。此时，绝对位置的协方差矩阵取决于感知算法中对控制点目标的卡尔曼跟踪算法中输出的目标跟踪的协方差。Ppoint=RPrel+Plidar(4)式中：Ppoint控制点的绝对坐标；R激光雷达的姿态旋转矩阵；Prel控制点在激光雷达坐标下的相对坐标；Plidar激光雷达的绝对位置坐标。3.3ICP因子ICP因子就是在任意两个关键帧之间通过ICP算法求解关键帧对应的点云之间的相对位姿变换。在图3所示的因子图中，当xn关键帧被加入因子图中时，x3和xn关键帧之间构建了一组ICP约束。后端优化因子图在下列两种情况下会添加ICP因子：1）回环检测。当一个新的关键帧xi+1加入因子图时，首先在欧式空间中搜索离xi+1空间最近的关键帧xk，只有当xk与xi+1在空间距离上小于阈值d且相隔时间上大于阈值t时，才会在因子图中添加ICP因子。2）低速静止。在退化场景中，前端里程计中IMU的零偏估计长时间下会有较大误差，造成车辆低速或静止情况下前端里程计出现漂移的现象，因此在这种情况下需要添加额外的约束以避免长时间停靠造成位姿漂移。地铁列车在隧道场景下通常只会在站台进行停车，站台处的点云特征比较丰富，能提供足够的点云几何特征进行ICP约束求解。当系统判断处于低速或静止状态时，会重新缓存处于低速静止状态下的每一个关键帧。每当一个新的关键帧xi+1加入因子图中，会建立xi+1与距离当前时间最远的关键帧xk之间的约束关系。当满足上述添加ICP因子的条件后，在历史关键帧中寻找与待建立约束的关键帧xk空间最近的n帧关键帧用于构建局部点云地图，并将局部点云地图用于与xi+1的ICP约束关系求解，最终可以求得xi+1与xk之间的一组相对位姿变换关系。此时ICP因子的协方差矩阵由ICP求解过程中输出的拟合度来计算得到。3.4Landmarks因子对 Landmarks 因子的建立和求解，采用视觉SLAM中的BA优化思想。如图3所示，当关键帧x0、x1和x2都观测到了同一个路标点L1时，由于L1的绝对坐标是确定且不会变化的，因此可以根据式（5）建立 x0与x1之间、x1与x2之间、x0与x2之间的约束关系。PL1=R0 Pr0+Pl0=R1 Pr1+Pl1=R2 Pr2+Pl2 (5)式中：PL1路标点L1的绝对坐标，求解过程中不图 3 后端图优化算法流程Fig.3Flow chart of back-end graph optimization algorithm502023 年第 4 期陈志伟 等：一种地铁隧道退化环境下的地图构建方法需要直接求得；Ri关键帧xi雷达的姿态旋转矩阵，其中，i=0，1，2；Pri关键帧xi路标点在雷达坐标下的相对坐标；Pli关键帧xi雷达的绝对坐标。添加 Landmarks 因子的关键在于如何实时获取对同一个路标点的位置和姿态的观测信息。路标点的选取是至关重要的，其既要保证在短时间内能连续观测到多帧，又要确保形状和尺寸在观测过程中不能有较大变化，以避免物体的重心存在跳变。因此，在城市场景中，选择道路标识牌作为路标点；在轨道交通隧道场景中，选择轨道旁的百米标作为路标点。3.5地图更新在完成每一个关键帧的后端优化后，需要根据优化后的关键帧位姿对存储的全局地图进行更新。根据雷达所处的位置，从全局地图中提取局部特征地图输入前端里程计中，用于scan-to-map的匹配。本文在局部特征地图的更新过程中实现了一种基于滑动窗口的方法，提取最近的n个子关键帧中的平面点云信息进行拼接，然后对拼接后的地图利用体素滤波器进行降采样，以降低匹配过程中的搜索计算量。4实验结果与分析为了验证本文所提出的紧耦合前端与图优化后端的离线建图方法在轨道交通隧道环境下地图构建的效果，研究人员在轨道交通隧道场景下进行了相关实验验证。4.1实验设备建图数据采集系统选用的激光雷达型号为速腾M1，其采用905 nm波长的激光束，测距能力最高可以达到200 m，测距精度在5 cm，水平视场角为120（分辨率为0.2），垂直视场角为25（分辨率为0.2），在单回波的模式下每秒输出高达750 000个点。选用的 IMU 型号为 STIM300，其加速度计的分辨率为1.9106g，零偏不稳定性为0.05103g，陀螺仪的分辨率为 0.22/h，零偏不稳定性为 0.3/h。传感器的安装和布置如图4所示。4.2轨道交通隧道场景验证轨道交通隧道场景内，由于缺少真值进行定量分析，所以只能通过多次采集同一隧道区间的数据来离线完成建图；并通过建图所估算的轨迹来进行一致性对比，重点评估站台区域和隧道区域，相关建图效果如图5图6所示。以其中任意一次的建图轨迹作为真值，任意一次轨迹重合度误差均小于0.1 m。由于隧道场景属于退化场景，用于匹配的特征点数目较少，且容易产生误匹配。因此，在检测到前端里程计发生退化时，点云线面残差的协方差需要升高，同时在ESKF中降低IMU惯性解算的协方差，后端优化过程中，需要考虑列车低速静止场景中的漂移以及Landmarks路标点的选取问题。图 5 轨道交通隧道站台建图效果Fig.5Map construction effect of rail transit tunnel platform图 6 轨道交通弯曲隧道建图效果Fig.6Map construction effect of curved rail transit tunnel图 4 传感器安装布置实物图Fig.4Image of sensor installation and layout512023 年第 4 期4.2.1低速静止情况在建图数据采集的过程中，正常情况下列车只会停靠在站台区域，站台区域特征较为丰富，有足够的平面特征点用于帧间匹配以及ICP约束的添加，如图7所示。图中，隧道壁和列车停车指示牌都可以用来匹配。当列车在隧道内弯道区间或在算法中关闭ICP因子的添加后，在列车速度变化较大时或者静止情况下会造成漂移，如图8所示。图中，输出的轨迹在列车静止时发生了后退现象。因此，在建图数据采集时，要尽量避免列车的急加速和急减速以及停靠在退化严重的场景中。4.2.2Landmarks路标点的选取由于轨道交通隧道场景内可供提取的路标点较少，因此，考虑点云的强度信息以及隧道内的标识牌布置，选择百米标的识别作为Landmarks约束，识别效果如图9所示。由于百米标均为金属材质，因此反射强度信息较大，可以直接采用基于强度过滤的方式来提取相关点云，最终将相关点云提取重心坐标后加入因子图中来优化求解。5结束语本文提出了一种基于激光雷达和IMU的高精度点云地图构建方法，其使用基于ESKF的紧耦合前端里程计实现帧间位姿估计，使用图优化理论对后端全局位姿进行优化，并根据实际场景添加GNSS因子、ICP因子和Landmarks因子。在地铁隧道场景下，本文在前端里程计算法中加入了对退化场景的检测，在后端图优化算法使用约束时，重点考虑了低速静止情况下 ICP 因子的添加以及 Landmarks 路标点的选取问题。使用对同一路段的多次采集数据来评估轨迹的一致性，重点评估站台区域和隧道区域，多次轨迹重合度误差均小于0.1 m。在隧道区域内全程未出现退化等异常现象。但是本文所提出算法中的后端优化模块对算力要求高，实时性较差，后续需要进一步提高运算效率。参考文献：1潘文波,李程,袁希文,等.面向地铁场景的激光雷达目标检测研究J.机车电传动,2022(2):89-96.PAN W B,LI C,YUAN X W,et al.Research on lidar target detection for metro sceneJ.Electric Drive for Locomotives,2022(2):89-96.2潘文波,李源征宇,龙腾,等.智轨电车多传感器融合定位研究J.控制与信息技术,2022(2):76-83.PAN W B,LI Y Z Y,LONG T,et al.Research on multi-sensor fusion localization for autonomous-rail rapid tramJ.Control and Information Technology,2022(2):76-83.3吴昊.城市轨道交通列车自主感知系统及关键技术研究J.城市轨道交通研究,2022,25(6):230-233.WU H.Research on urban rail transit train autonomous perception system and key technologiesJ.Urban Mass Transit,2022,25(6):230-233.4王博.列车自主运行系统:让 大块头 有 大智慧 J.城市轨道交通,2017(6):48-49.WANG B.Autonomous train operation system:giving big blocks great wisdomJ.China Metros,2017(6):48-49.图 8 列车停靠隧道轨迹漂移Fig.8Drift of train stopping in tunnel图 9 隧道内百米标检测Fig.9Detection of hundred-meter markers in the tunnel图 7 正常站台停车点云效果Fig.7Point cloud effect diagram of regular platform parking522023 年第 4 期陈志伟 等：一种地铁隧道退化环境下的地图构建方法5韩友美,杨伯钢.移动三维激光扫描技术在地下轨道交通竣工测量中的应用C/第九届京港澳测绘地理信息技术交流会论文集.北京:北京测绘学会,2015:122-129.HAN Y M,YANG B G.Application of mobile 3D laser scanning technology in completion surveying of underground rail transitC/Proceedings of the 9th Beijing Hong Kong Macao Surveying and Mapping Geographic Information Technology Exchange Conference.Beijing:Beijing Society of Surveying and Mapping,2015:122-129.6林晨浩,彭育辉.一种融合视觉与IMU的车载激光雷达建图与定位方法J.福州大学学报(自然科学版),2022,50(1):82-88.LIN C H,PENG Y H.A method of map construction and location using lidar and combining vision and IMU informationJ.Journal of Fuzhou University(Natural Science Edition),2022,50(1):82-88.7姜重吉,韩文波,王开鑫.基于地面稳定特征的激光雷达实时地图构建方法研究J.长春理工大学学报(自然科学版),2020,43(5):56-61.JIANG C J,HAN W B,WANG K X.Research on real-time map construction method of lidar based on ground stability characteristicsJ.Journal of Changchun University of Science and Technology(Natural Science Edition),2020,43(5):56-61.8YE H Y,CHEN Y Y,LIU M.Tightly coupled 3D lidar inertial odometry and mappingC/2019 International Conference on Robotics and Automation(ICRA),Montreal,QC,Canada:IEEE,2019:3144-3150.9ZHAO S B,FANG Z,LI H L,et al.A robust laser-inertial odometry and mapping method for large-scale highway environmentsC/2019 IEEE/RSJ International Conference on Intelligent Robots and Systems(IROS),Macau,China:IEEE,2019:1285-1292.10 QIN T,LI P L,SHEN S J.VINS-Mono:a robust and versatile monocular visual-inertial state estimatorJ.IEEE Transactions on Robotics,2018,34(4):1004-1020.11 HEIRICH O,ROBERTSON P,STRANG T.RailSLAM-localization of rail vehicles and mapping of geometric railway tracksC/2013 IEEE International Conference on Robotics and Automation,Karlsruhe,Germany:IEEE,2013:5212-5219.12 WANG Y S,SONG W W,LOU Y D,et al.Rail vehicle localization and mapping with LiDAR-vision-inertial-GNSS fusionJ.IEEE Robotics and Automation Letters,2022,7(4):9818-9825.13 LIANG Y R,MLLER S,SCHWENDNER D,et al.A scalable framework for robust vehicle state estimation with a fusion of a low-cost IMU,the GNSS,radar,a camera and lidarC/2020 IEEE/RSJ International Conference on Intelligent Robots and Systems(IROS),Las Vegas,NV,USA:IEEE,2020:1661-1668.14 梁双,倪晓昌,董娇玲,等.基于激光雷达的SLAM算法综述J.信息与电脑,2022,34(3):59-61.LIANG S,NI X C,DONG J L,et al.Overview of lidar-based SLAM algorithmsJ.China Computer&Communication,2022,34(3):59-61.15 ZHANG J,SINGH S.LOAM:lidar odometry and mapping in real-timeC/Proceedings of Robotics:Science and Systems(RSS 14),Berkeley,CA:The Robotics Institute,2014:1-9.16 SHAN T X,ENGLOT B.LeGO-LOAM:lightweight and ground-optimized lidar odometry and mapping on variable terrainC/2018 IEEE/RSJ International Conference on Intelligent Robots and Systems(IROS),Madrid,Spain:IEEE,2018:4758-4765.17 XU W,ZHANG F.FAST-LIO:a fast,robust lidar-inertial odometry package by tightly-coupled iterated Kalman filterJ.IEEE Robotics and Automation Letters,2021,6(2):3317-3324.18 SHAN T X,ENGLOT B,MEYERS D,et al.LIO-SAM:tightly-coupled lidar inertial odometry via smoothing and mappingC/2020 IEEE/RSJ International Conference on Intelligent Robots and Systems(IROS),Las Vegas,NV,USA:IEEE,2020:5135-5142.19 ESPARZA-JIMNEZ J O,DEVY M,GORDILLO J L.Visual EKF-SLAM from heterogeneous landmarksJ.Sensors,2016,16(4):489.53