SLAM技術及其在礦山無人駕駛領域的研究現狀與發展趨勢

關鍵詞：礦山智能化；無人駕駛；即時定位與地圖構建；多傳感器融合SLAM；視覺SLAM；激光雷達SLAM

中圖分類號：TD67 文獻標志碼：A

0引言

無人駕駛是礦山智能化關鍵技術之一[1]，主要包括環境感知、定位建圖、規劃決策、自動控制等幾大部分[2]，其中定位建圖主要為無人駕駛系統提供地圖及位姿信息。地圖包含周圍環境信息，是無人駕駛系統執行后續規劃決策的重要依據，需要隨環境變化而實時更新；位姿信息包括無人駕駛設備相對于全局地圖的位置及姿態，需要在設備行駛過程中實時更新。對于無人駕駛系統而言，定位建圖需確保實時性。同時，地圖構建需首先明確自身位姿，將此刻獲取的環境信息增加至地圖；定位的前提在于環境信息與地圖信息的匹配。由此即時定位與地圖構建（Simultaneous Localization and Mapping， SLAM）技術應運而生，為無人駕駛實時定位建圖提供了強有力的支撐。地面無人駕駛領域針對SLAM 技術已展開多年研究，并取得了豐富成果。而礦山無人駕駛領域的SLAM 技術尚處于理論研究及實驗室驗證階段，具有明顯的滯后性。

為推動SLAM 技術在礦山無人駕駛領域的發展，明確未來的研究方向，本文系統總結了SLAM 技術研究現狀及未來發展趨勢。首先闡述了SLAM 技術的原理及框架；其次從視覺、激光、多傳感器融合3 個方面歸納總結了地面主流的SLAM 方案，為礦山SLAM 技術發展提供可借鑒模板；然后重點探討了SLAM 技術在礦山無人駕駛領域的研究現狀，提出以多傳感器融合SLAM 作為井工煤礦的首選方案；最后結合相關硬件及技術的發展趨勢，歸納總結礦山無人駕駛SLAM 技術的發展方向。

1SLAM技術原理及研究進展

SLAM的概念由R. C. Smith 和P. Cheeseman[3]于1986年提出，發展至今已有近40 a，SLAM 使無人駕駛設備在未知環境中同時實現自身定位與環境地圖構建[4]。SLAM 系統框架分為數據預處理、前端里程計、后端優化、回環檢測和地圖構建5 個部分，如圖1所示。通過數據預處理對環境感知傳感器獲取的數據進行噪聲剔除、有用信息（點云特征、圖像灰度等）提取。將預處理后的數據交由前端里程計處理分析，通過特征匹配等手段快速估算相鄰數據幀之間無人駕駛設備的位姿變換，此時估計位姿存在誤差。后端優化負責全局軌跡優化，得出精確位姿，以構建全局一致性地圖。在后端優化過程中，回環檢測重復執行，識別相同場景，以實現閉環數據關聯，消除前端里程計累計誤差。

SLAM 技術所使用的環境感知傳感器包括相機、激光雷達、慣性測量單元（Inertial" MeasurementUnit，IMU）等，根據傳感器不同將其分為基于相機的視覺SLAM 技術、基于激光雷達的激光SLAM 技術、多傳感器融合SLAM 技術[5]。

1.1基于相機的視覺SLAM技術

以相機為基礎傳感器的視覺SLAM 技術獲取周圍環境信息，經過前后端處理完成位姿估計與地圖構建。憑借相機自身成本低、安裝方便及所獲取環境信息豐富等優點，視覺SLAM 技術始終是無人駕駛領域的研究熱點[6]，眾多學者圍繞其展開研究。

文獻[7]提出單目即時定位與地圖構建（Monocular Simultaneous Localization and" Map-ping，Mono?SLAM）算法，實現了30 Hz 的視覺實時定位與建圖功能。Mono?SLAM 首先利用特征檢測子與特征描述子實現圖像特征提取，然后根據所提取信息確定相鄰幀相似特征，最后通過計算相似特征的坐標轉換關系完成位姿估計及地圖構建。但是Mono?SLAM 位姿估計與建圖的逐幀優化在同線程執行，計算量較大，僅適合處理環境中的稀疏特征，以建立稀疏地圖（圖2 （a））；未形成“回環檢測”的概念，造成誤差隨算法運行時間及距離不斷積累，導致位姿精度、地圖質量無法保證。

文獻[8]針對上述問題，以多線程、關鍵幀的全新思路提出并行跟蹤與地圖構建（Parallel Trackingand Mapping，PTAM） ，其將相機位姿優化及構建地圖劃分為2 個獨立線程同時執行，以降低計算壓力，節省時間；引入關鍵幀的概念，基于少量的關鍵幀圖像優化位姿與地圖，在不影響精度的同時大幅降低計算量，進一步確保SLAM 的實時性?！岸嗑€程”及“關鍵幀”概念為后續相關研究提供了可借鑒思路，在SLAM 發展過程中影響深遠。但是，累計誤差問題仍未得到有效處理，大環境下易產生地圖漂移等現象。

文獻[9]針對PTAM 的累計誤差問題，提出基于詞袋模型的回環檢測線程，構建了包含位姿估計、地圖構建及回環檢測三獨立線程的基于方向加速分割測試特征檢測子和旋轉二進制魯棒獨立特征描述子的即時定位與地圖構建（Oriented Features fromAccelerated Segment Test and Rotated Binary RobustIndependent Elementary Features SimultaneousLocalization" and Mapping， ORB?SLAM）框架（圖3）。相較于PTAM，ORB?SLAM 框架完善，功能齊全，具有良好的實時性及精度。經過多年發展， ORB?SLAM 憑借卓越的性能已成為特征點法視覺SLAM的代表技術之一。不過其僅支持單目相機，易產生尺度漂移、旋轉估計失效等問題。隨著雙目相機、RGB?D 相機的成熟， 文獻[10]提出ORB?SLAM2，增加了雙目及RGB?D 相機的接口，拓寬了系統的應用范圍。同時，由于雙目相機及RGB?D 相機可以提供深度信息，尺度漂移等問題得到有效抑制。但是ORB?SLAM2 所建立的地圖較為稀疏，無法還原空間結構，更適合解決對地圖密度要求不高的SLAM問題。

Mono?SLAM、PTAM 及ORB?SLAM 系列算法可歸納為一類以特征提取與匹配為核心的特征點法視覺SLAM，是視覺SLAM 發展較早的一類技術，目前理論已相對成熟。但是由于此類SLAM 技術特征提取及匹配大量占用計算資源，且性能受環境特征、光照變化、動態物體等影響，應用范圍較窄，僅適合特征明顯、光照穩定的小尺度環境。

針對上述問題，僅提取圖像灰度值而無需特征匹配的直接法視覺SLAM 技術被提出，并成為當下主要的研究方向。文獻[11]在Mono?SLAM 和PTAM的基礎上提出密集跟蹤與地圖構建（Density Trackingand Mapping，DTAM） ，首次實現了基于圖像灰度值的位姿估計和地圖構建。假設相鄰圖像幀之間的灰度值不變，根據灰度值是否相同確定相鄰圖像幀的像素點對應關系，最終通過計算相似像素點坐標關系實現SLAM 功能[12]。由于灰度值保留了環境豐富的顏色信息，DTAM 可以復原周圍環境，構建稠密地圖（圖2 （b））。但是，大量像素點灰度值的提取工作需要借助高性能的GPU 才可完成，對硬件要求較高；當相鄰圖像幀灰度值變化較大時，像素點灰度值匹配難度加大，性能將斷崖式下降。

為降低直接法視覺SLAM 對高性能硬件的要求， 同時解決大尺度場景下的定位建圖問題， 文獻[13]提出了大尺度直接單目即時定位與地圖構建（Large-Scale Direct Monocular SimultaneousLocalization and Mapping， LSD?SLAM） ，框架如圖4所示。LSD?SLAM 采取關鍵幀的思路，僅利用滿足閾值條件的關鍵幀圖像進行位姿估計與地圖構建，可大大減少計算量。由于其主要對關鍵幀圖像進行優化處理，環境的深度信息存在缺失，構建的地圖類型為半稠密地圖（圖2 （c） ） ，并且同樣受限于直接法工作原理，對相機曝光參數、環境亮度變化敏感，當相機快速運動或環境亮度變化明顯時極有可能失效。

以DTAM、LSD?SLAM為代表的直接法視覺SLAM可控制建圖的稠密程度，較特征點法單一的稀疏建圖更具優越性，同時灰度值匹配機制使得其在特征缺失場景下仍具備較強的位姿估計和建圖能力。但是，直接法視覺SLAM 的性能同樣受動態物體影響，無法應用于動態場景。

針對動態環境中視覺SLAM 的應用問題， 文獻[14]通過卷積神經網絡預測環境深度，彌補單目相機視覺SLAM 在動態環境中深度估計的不足，最終呈現的位姿估計精度明顯優于LSD?SLAM。文獻[15]將語義分割網絡與ORB?SLAM2 結合，借助環境語義信息對動態物體進行剔除，提升算法在動態場景的定位精度及魯棒性。由于深度學習往往需要大量訓練成本及高性能GPU，當下較難部署于嵌入式平臺，是未來亟待解決的問題。

1.2 激光SLAM技術

激光SLAM 以激光雷達為基礎傳感器感知環境信息，經后續數據處理實現定位建圖。由于激光雷達具有測距精度高、不受環境光照影響等優點，不少學者展開了激光SLAM 技術的研究。

前期的激光SLAM 研究主要為2D 激光SLAM研究。文獻[16]將SLAM 問題分解為位姿估計和地圖特征后驗估計2 個子問題，前者基于粒子濾波實現，后者基于擴展卡爾曼濾波實現。以此思路構建的快速即時定位與地圖構建（Fast SimultaneousLocalization and Mapping，Fast?SLAM）可處理非線性系統，構建環境的平面地圖。但是，算法執行后期粒子耗散現象嚴重，導致定位及構圖精度驟降。目前已逐漸被淘汰。谷歌提出的Cartographer 算法[17]較Fast?SLAM 框架更加完善，新增傳感器同步等多種功能。其通過創建子圖的方式提高數據匹配精度和效率，得到的大量子圖可保留豐富的環境信息，有助于大場景建圖；在回環檢測環節采用分支定界法提升回環檢測速度。目前，Cartographer 算法是魯棒性最佳的開源SLAM 算法之一，但該算法的計算資源消耗較大，且完整復雜的框架學習難度較大。

在應用場景相對簡單及3D 激光雷達技術尚不成熟、成本相對較高的情況下，Fast?SLAM、Cartographer等僅可建立基于2D 平面地圖（圖5 （a））的2D 激光SLAM，可滿足基本的定位和建圖需求，現已成為室內服務機器人、掃地機器人等功能單一智能體的首選定位方案。但是伴隨著無人駕駛系統環境感知需求的不斷提升及3D 激光雷達技術逐漸成熟，可建立基于3D 環境地圖（圖5 （b））的3D 激光SLAM 成為更具發展前景的定位建圖方式。

文獻[18]提出激光雷達里程計與地圖構建（LiDAR Odometry and Mapping，LOAM）算法（圖6） ，將定位和建圖的復雜問題進行劃分，以2 種頻率、精度不同的算法執行，一種高頻率但低精度算法用于激光里程計，估計相鄰激光雷達掃描幀的運動，另一種算法以低頻率高精度的方式，借助激光里程計獲取的運動信息消除點云畸變，對點云進行精確匹配并注冊至地圖，最終將低頻率高精度算法結果即所構建的地圖以低頻率輸出，2 種算法的融合結果即估計位姿以高頻輸出，實現快速定位與高精度建圖。但是其框架中不包括后端優化與回環檢測環節，易在大尺度場景、空曠環境下出現漂移現象。

文獻[19]針對LOAM 無回環檢測的缺點，提出輕量級地面優化激光里程計與地圖構建（Lightweight and Groud-Optimized Lidar Odometry and Mapping，LeGo?LOAM），利用關鍵幀及局部數據幀構建回環檢測所需的Loop?Submap（回環子圖）。除此之外，LeGo?LOAM 新增地面分割環節，先對激光雷達獲取的點云數據進行地面分割，然后將地面點云與非地面點云區分后進行特征匹配，可降低點云數據處理量，滿足實時性的同時實現更高精度的位姿估計。但是當地面具有明顯坑洼特征，地面分割可能出現漏檢或誤檢，導致算法精度降低。

文獻[20]針對LOAM 無法直接應用至固態激光雷達的問題，充分考慮固態激光雷達Livox 小視場的特點， 通過優化LOAM 特征提取環節， 提出用于Livox 的激光里程計與地圖構建（LiDAR Odometryand Mapping for Livox，LOAM?Livox）算法（圖7），將激光SLAM 的應用研究由單一的傳統機械旋轉式激光雷達拓展至固態激光雷達。

伴隨著深度學習的大規模流行，學者們開始研究基于深度學習的3D 激光SLAM 算法。文獻[21]在LOAM 基礎上引入語義分割概念和回環檢測模塊，實現大尺度環境下語義地圖的建立。文獻[22]引入RangeNet++構建的SuMa++算法，可利用語義分割網絡輸出的語義信息剔除環境中的動態物體，抗干擾能力較強。文獻[23]構建了第1 個端到端的3D 激光里程計框架，通過單一神經網絡模型即可完成全流程的位姿估計，并且精度可媲美LOAM，但其實時性較差。深度學習在激光SLAM 中的應用使得精度提升不再需要繁雜的配準、回環檢測算法，但其資源消耗較大，對于硬件性能不高的無人駕駛智能體而言，不具備應用條件。

1.3多傳感器融合SLAM技術

視覺或激光SLAM 技術通過單一相機或激光雷達即可實現，但是單一傳感器存在易受環境干擾、無法適應復雜環境等缺點，多傳感器融合是目前最佳的解決方法。

文獻[24]基于圖優化提出IMU 與單目相機融合的單目視覺慣性導航系統（Visual Inertial NavigationSystem – Monocular， VINS?Mono） ， 框架如圖8 所示。VINS?Mono 前端引入IMU 預積分模型，基于相機與IMU 的同步量測實時校正視覺估計位姿，后端基于滑動窗口進行圖優化，即只根據一定時間間隔內的量測信息進行優化，抑制累計誤差的同時避免過度增加計算負擔。在VINS?Mono 基礎上， 文獻[25-26]分別提出用于移動設備的視覺慣性導航系統（Visual Inertial Navigation System for MobileDevices， VINS?Mobile） 及融合視覺慣性導航系統（Visual Inertial Navigation System – Fusion， VINS?Fusion），前者可應用至移動設備端提供定位，后者支持雙目相機，應用范圍進一步拓展。不足之處在于，VINS 系列算法基于灰度不變假設，且IMU 僅能提供短時間的精確位姿，無法長時間應用于光照變化明顯場景。

文獻[27]采用激光雷達?IMU 融合的方案， 在LeGo?LOAM 基礎上提出基于平滑與建圖的激光?慣性里程計（Lidar-Inertial Odometry via Smoothingand Mapping，LIO?SAM）算法（圖9）。其后端引入因子圖的概念，各類型數據可作為約束因子對定位建圖進行優化，為后續融合其他傳感器提供了更為寬泛的接口。憑借良好的性能及易擴展的框架，LIO?SAM 成為目前廣為人知的多傳感器融合算法。不過在退化場景及非結構化場景下，該算法會由于長時間缺少有效精確的觀測而失效。

為進一步提高SLAM 算法的魯棒性，文獻[28]提出一種由激光雷達?相機?IMU 融合的基于平滑與建圖的激光?視覺?慣性里程計（Lidar-Visual-InertialOdometry via Smoothing and Mapping， LVI?SAM） 算法（圖10），由激光雷達與IMU 組合成為激光雷達?IMU 系統（LiDAR-IMU System，LIS），相機與IMU 組合為視覺?IMU 系統（Visual-IMU System， VIS） 。LIS 與VIS 既相互獨立（可在對方系統失效時獨立工作） 又相互輔助（LIS 提供VIS 缺失的深度信息，VIS 提供準確的初始位姿），因此該算法具有極佳的魯棒性。

目前，主流的多傳感器方案主要包括相機?IMU、激光雷達?IMU 及激光雷達?相機?IMU。融合傳感器類型越多，構建的SLAM 算法魯棒性越強，但融合難度及成本更高。因此，多傳感器融合方案應根據實際應用場景進行選擇。

在深度學習與SLAM 算法結合的大趨勢下，有部分學者基于多傳感器融合SLAM 算法開展了相關研究。文獻[29]將VGG?16 卷積神經網絡用于VINS?Mono 回環檢測環節，有效降低了回環檢測累計誤差。文獻[30]將PointPillars 網絡應用至動態特征點的檢測，便于去除動態目標并恢復靜態特征點，理論上減輕了動態環境對激光?IMU 融合SLAM 的干擾，提高了激光里程計的魯棒性。

上文未提及的常見多傳感器融合SLAM 方案見表1。

2礦山無人駕駛SLAM技術現狀

煤炭行業作為我國的支柱型能源行業，是我國國民經濟的重要組成部分。但煤炭開采環境復雜、條件惡劣導致相關企業招工難、留工難，推動無人駕駛技術應用成為解決這一難題的首要舉措。SLAM作為無人駕駛的關鍵技術，是礦山無人駕駛領域重要的研究方向。根據應用場景（圖11）的不同，當前的SLAM 技術在礦山無人駕駛領域的研究可分為面向井工煤礦與面向露天礦山2 類。

2.1井工煤礦領域

井工煤礦深處地下， GNSS 信號缺失，而UWB，RFID，WiFi 等定位方式均需鋪設配套設施，維護成本高。因此相關學者針對井下特殊環境，對憑借設備自身傳感器即可實現定位建圖的SLAM 技術進行了研究。

2.1.1井下視覺SLAM 技術研究現狀

由于煤礦井下光照明暗交替，以相機為核心傳感器的視覺SLAM 技術應用具有先天不足。因此，井下視覺SLAM 技術相關研究較少，僅有部分學者就如何優化現有視覺SLAM 技術開展了相關研究。

由于視覺SLAM 技術的核心在于圖像間的特征匹配，改善圖像質量是井下視覺SLAM 技術優化的首要舉措。文獻[47]在視覺SLAM 關鍵圖像幀選取環節，引入包括幾何結構、特征點均勻分布等多重約束，以提高關鍵圖像幀的質量，增強特征匹配、回環檢測等魯棒性與精度。關鍵圖像幀選取流程如圖12所示。

文獻[48]將圖像增強算法應用于視覺SLAM 圖像處理環節，并針對經過增強處理后的圖像存在泛白、光暈的問題，提出改進雙邊濾波的Retinex 算法，進一步改善圖像質量，算法流程如圖13 所示。

文獻[49]根據現有的特征檢測子、特征描述子及匹配算法得出多種組合方案，并通過多組試驗對5 種組合方案的關鍵點匹配數量、耗時及準確度等3 項指標進行評價。綜合考慮3 項指標與實際應用需求后，選擇采用不同的方案分別實現視覺SLAM的離線地圖構建與實時定位功能：將匹配準確度更高的SURF（Speeded - Up Robust Features，加速穩健特征） +FLANN（Fast Library for Approximate NearestNeighbors，快速最近鄰搜索庫）組合用于離線狀態地圖構建，特征匹配耗時較短的GFTT（Good Features toTrack， 良好特征追蹤） +BRIEF（Binary RobustIndependent Elementary Features，二進制魯棒獨立基本特征） +BF（Brute Force，暴力匹配）組合用于實時重定位。但雙組合方案將增加視覺SLAM 的復雜程度，不利于其拓展應用。

提高圖像質量或更改特征匹配方案的優化方法一定程度上改善了視覺SLAM 在井下應用的效果。但現有的優化方案存在以下問題：① 優化方案將增加原SLAM 算法的復雜程度，計算資源及硬件要求提高，不便于井下部署。② 相機易受光照條件影響的固有缺陷始終無法徹底改變，導致視覺SLAM 在井工煤礦環境應用受限。③ 煤礦地面顛簸造成的圖像畸變、長距離巷道導致的特征缺失等問題進一步加劇視覺SLAM 技術的應用難度。因此，筆者認為以相機為核心傳感器的視覺SLAM 方案并不適用于井工煤礦領域。

2.1.2井下激光SLAM 技術研究現狀

激光雷達不受光照影響、抗干擾能力強的優點使得激光SLAM 相較于視覺SLAM 在井工煤礦領域的應用難度更低。因此，煤礦智能化領域的多數學者以井下激光SLAM 為研究方向開展了相關研究。2006年，文獻[50]利用高精度激光掃描儀實現了煤礦巷道三維模型重建，驗證了激光掃描技術在井下環境應用的可行性。但受限于技術成熟度，僅實現了離線狀態下的環境地圖構建，并通過手持裝備實現，未搭載至可移動設備。2015年，文獻[51]對蒙特卡羅定位算法與貝葉斯柵格地圖構建算法進行研究、分析后，提出了用于井下搜救機器人的定位與建圖算法。但未意識到后端優化、回環檢測的重要性，因此框架存在功能單一、定位建圖精度不高、魯棒性不強等缺陷。

針對框架不完善的問題，部分學者提出以成熟且完整的地面激光SLAM 框架為基礎進行適應性優化的解決方案。目前，主要的優化方式有2 種。

1） 以不同點云配準方法提高激光SLAM 點云匹配精度。文獻[52]以井下搜救機器人為研究對象，開展了井下激光SLAM 研究，如圖14 所示?；诩す恻c云滿足正態分布的假設，其將正態分布變換（Normal Distributions Transform，NDT）理論應用至激光SLAM 的特征匹配、回環檢測、位姿圖優化等多處需點云配準的環節，取代傳統迭代最近點（IterativeClosest" Point，ICP）方法。NDT 實際上是一種基于高斯分布的統計配準方法，通過匹配點云的高斯分布函數進行點云配準，受環境噪聲、特征缺失等影響較小，因此可提高SLAM 算法在井下特征缺失場景的點云配準精度及魯棒性。不過由于NDT 需對點云進行離散化處理，計算量較大，計算速度相對較慢。

文獻[53]采用廣義迭代最近點（GeneralizedIterative Closest Point，GICP）方法取代傳統的ICP 方法，對激光SLAM 的點云進行配準，如圖15所示。相較于ICP 方法，GICP 可通過點到點、點到面的方式確定對應激光點云點集，因此配準精度更高，可應對井下巷道等特征缺失場景。但是GICP 仍高度依賴最近點搜索匹配，當空間點云密集導致搜索量成倍增加時，算法計算效率降低，無法實時運行。

文獻[54]針對煤礦長直巷道環境退化問題，提出NDT 與ICP 方法結合的雙配準冗余機制，同時獲取點云集合的幾何特征及概率分布特征，以此提高激光SLAM 在特征缺失場景下點云匹配的準確率，進一步提高位姿估計精度。然而雙配準冗余機制增加了SLAM 系統的復雜程度。

2） 針對特定激光SLAM 算法在井下應用存在的局限性進行優化。文獻[55]針對井下環境中Fast?SLAM 的應用難題開展研究，提出利用粒子群優化算法對采樣粒子質量進行改善，保證粒子多樣性，緩解粒子耗散問題，并在此基礎上基于圖論優化全局地圖及位姿，精度得到進一步提高。但是全局優化的做法勢必導致計算速度降低，實時性無法得到充分保證。文獻[56]通過求解局部最優的方式維持小基數粒子群，避免占用過多內存，同時設置有效粒子數閾值作為重采樣判斷依據，以避免粒子喪失多樣性，較好地平衡了Fast?SLAM 自身計算資源消耗與建圖精度之間的關系。為進一步提高煤礦巡檢機器人在巷道等結構相似場景的位姿估計精度，將自適應蒙特卡羅定位算法與優化Fast?SLAM 算法結合。盡管機器人的定位建圖精度及魯棒性有所加強，但是2 類算法同時運行導致計算資源占有量增多，對機器人硬件要求更高。文獻[57]針對Fast?SLAM 易受煤礦復雜地形噪聲影響等問題開展研究。利用二階中心差分粒子濾波方法取代擴展卡爾曼濾波方法，將一階泰勒精度提高至二階，同時避免了復雜的雅可比矩陣計算；然后，引入次優漸消因子動態優化濾波增益，抑制煤礦環境噪聲對SLAM 狀態估計的影響。但其并未考慮粒子耗散問題，僅適合煤礦井下小范圍使用。

針對基于占有柵格的地圖構建（Grid Mapping，Gmapping）的井下應用問題，文獻[58]引入量子粒子群優化算法，長期保持粒子的多樣性，緩解粒子耗散問題。不過，其將Gmapping 作為地圖構建算法，定位功能主要通過蒙特卡羅定位算法實現，存在計算資源占用率高等問題。

隨著魯棒性更強的Cartographer 算法被提出，學者開始對其進行優化研究。文獻[59]針對井下巷道長距離相似場景下Cartographer 回環檢測常出現的誤檢現象，提出將Lazy Decision 策略引入回環檢測環節，等待更多驗證回環閉合的環境數據，確保全局優化的準確性。然而此舉導致算法計算時間延長，實時性不佳。文獻[60]在LeGO?LOAM 基礎上，針對井工煤礦存在的斜井場景，借助激光點云高度差信息實現坡面點云檢測，將其與水平地面點云同時進行分割；為克服井下特征缺失的問題，新增人工路標作為定位特征，但此做法增加了基礎設施建設成本，提高了SLAM 技術的實際應用門檻。文獻[61]以LeGO?LOAM 為研究對象，針對其回環檢測模塊進行改進，通過SegMatch 算法實現高頻率的回環檢測（圖16）。SegMatch 算法不依賴環境特征，即使處于大規模非結構化的井下環境仍能可靠運行， 為SLAM 算法提供更為精確的回環檢測。但是，單一激光SLAM 在復雜煤礦環境的特征檢測與匹配性能仍有待進一步提高，采用多傳感器融合改善井下定位建圖成為首選方案。

2.1.3井下多傳感器融合SLAM技術研究現狀

井下多傳感器融合方案與路面相同，包括相機?IMU、激光雷達?IMU、相機?激光雷達?IMU3種。針對3種融合方案，學者分別以不同方式開展了相關研究。

文獻[62]在VINS?Mono 框架基礎上，以融合點線特征的方法應對井下特征缺失場景， 提高SLAM 特征匹配的魯棒性；充分利用IMU 采集數據，一方面用以消除相機因礦井地面坑洼產生的圖像畸變，另一方面可在視覺里程計失效時提供短時精確的位姿信息，進一步增強SLAM 的環境適應性。文獻[62]建立的SLAM 框架如圖17 所示。

文獻[63]基于ORB?SLAM2 實現相機?IMU 融合SLAM，為自制煤礦探測機器人提供精確的位姿估計。此外，引入語義分割方法對巷道內存在的動態物體進行剔除，避免對特征匹配環節產生干擾。這是井工煤礦領域較早將深度學習等智能算法應用至SLAM 技術的案例，為后續井下SLAM 方法研究提供了新的策略與方向。

然而煤礦井下存在長距離昏暗場景，此場景下視覺里程計失準、IMU 誤差逐漸累計，導致相機?IMU 融合SLAM 方案失效，無法滿足煤礦井下全場景使用，通用性較差。

文獻[64-67]采用激光雷達?IMU 融合方案，一方面通過IMU 測量數據消除由于井下路面顛簸導致的激光點云畸變，提高SLAM 精度，另一方面在激光雷達突然失效的情形下，由IMU 為無人駕駛系統提供短時高精度的位姿數據，增強算法的魯棒性。井下激光雷達?IMU 融合SLAM 框架如圖18 所示。

文獻[68]為進一步提高激光雷達?IMU 融合SLAM 的位姿估計準確性，提出一種動態提取特征點的方法，根據煤礦環境變化動態調整特征提取閾值，盡可能在環境特征退化處保留更多特征點，用于局部位姿估計。由于特征點通常以曲率作為判斷依據，在長直巷道等曲率變化不突出的場景下仍存在特征提取匹配難題，定位建圖仍可能漂移失準。

文獻[69]以LIO?SAM 為基礎，對其特征提取、特征匹配及回環檢測進行全面改進。特征提取方面借助可描述物體表面細節信息的表面法向量進行點云區分，并引入快速點特征直方圖局部描述子進一步增強特征提取的魯棒性；特征匹配分為粗配準與精配準2 個階段，由粗配準提供初始轉換關系，避免精配準階段的ICP 算法陷入局部最優；回環檢測基于高效的Scan Context 實現。改進后的LIO?SAM 算法在模擬36 m 狹長走廊試驗中呈現出不錯的應用效果，但實際煤礦環境中的狹長巷道長達千米，算法的實際效果有待進一步驗證。

通過相機?IMU、激光雷達?IMU 的融合一定程度上消除了井下復雜工況導致的相機圖像畸變、激光點云畸變等問題，使得二者適用于井工煤礦特定場景。同時，IMU 的加入令SLAM 算法在核心傳感器暫時失效的情況下仍可輸出高精度的位姿信息。但是，相機?IMU 融合SLAM 在長時間無光環境中易失效，不具備井下全場景應用的能力；而激光雷達?IMU 受井下單一特征影響較大，在長距離巷道場景下定位建圖精度有待提升。于是，相機?激光雷達?IMU 融合SLAM 方案的研究越來越廣泛。

文獻[70]基于LVI?SAM 框架開展多源信息融合的巷道建圖定位研究。針對原LVI?SAM 系統視覺RGB 信息受煤礦井下光照影響明顯的問題，引入圖像深度信息，提高視覺子系統在暗光照條件下的魯棒性，避免完全失效。為提高視覺回環檢測的適應性，提出一種結合視覺特征信息及其空間拓撲信息的視覺詞袋模型，通過更多信息匹配改善語義分割效果，避免回環檢測的誤檢、漏檢；但隨著空間尺度變大，環境地圖語義信息將加重存儲空間負擔。

文獻[71]借鑒LVI?SLAM 算法框架，提出激光雷達、相機、IMU 三者融合的井下SLAM 方案（圖19），分別構成LIO 及VIO 子系統?？紤]到視覺SLAM在煤礦環境的局限性，最終以LIO 為主、VIO 為輔完成同時定位與建圖工作，VIO 可信賴權重根據環境光照條件動態調整。

文獻[72]采取不同的策略，通過激光雷達、視覺、IMU 無差別提供位姿變化估計值，自適應選取最優位姿作為定位建圖依據；針對視覺在井下應用的不足，引入自適應Gamma 校正和限制對比度的自適應直方圖均衡化（Contrast Limited Adaptive Histogram"Equalization，CLAHE）圖像增強算法，提升視覺特征點提取數量和匹配質量。經狹長走廊及煤礦井下環境試驗驗證，文獻[72]所提方法具備較好的定位精度，并可真實反映周圍環境信息。

傳感器融合種類越多，SLAM 魯棒性越強，但融合難度及成本越高，需根據應用場景確定最終方案。在井工煤礦領域，安全性是SLAM 技術應用的前提，因此相機?激光雷達?IMU 融合方案更符合實際需求。

2.2露天礦山領域

相較于井工煤礦領域，露天礦山具有開闊環境，可利用全球導航衛星系統實現無人駕駛設備定位。因此，針對露天礦山領域的SLAM 研究相對較少。

文獻[73]采用激光雷達與IMU 融合SLAM 實現露天礦無人駕駛車輛的定位與建圖。與常規激光雷達?IMU 融合策略相同，借助IMU 消除激光點云運動畸變，同時建立激光點云與IMU 測量殘差函數，對位姿估計進行聯合優化。

文獻[74-75]針對露天礦區大場景下點云數據計算復雜問題，利用柵格地圖方法進行地面點云分割，并借助高度信息對斜坡點云進行有效分割。在此基礎上，其結合LIO?SAM 框架重新構建了礦山環境的SLAM 算法。文獻[76]采用迭代擴展卡爾曼濾波（Iterative Extended Kalman Filter， IEKF）進行激光雷達與IMU 數據融合，基于因子圖進行優化，提出適用于露天礦山環境的LiDAR/IMU 緊耦合SLAM 算法。文獻[77]重點考慮露天礦山顛簸地面致使的點云畸變加劇現象，利用IMU 測量數據對畸變進行校正，并通過多次ICP 匹配進行進一步去畸變處理，提高SLAM的精度及魯棒性。

SLAM 技術起初為運行在室內環境的機器人而設計，作為GNSS 信號丟失場景的替補定位手段。受限于傳感器的感知范圍，SLAM 技術并不適合開闊露天礦山場景。因此，SLAM 技術在露天礦山領域研究價值不高。

3礦山無人駕駛SLAM 技術展望

3.1礦山無人駕駛SLAM技術難點分析

分析礦山無人駕駛SLAM 技術的研究現狀可知，井工煤礦領域的SLAM 技術更具研究價值，故僅總結現階段井下SLAM 技術存在的難點。

1） 煤礦環境方面。井工煤礦屬于大規模復雜環境，范圍大且存在多類型場景。因此，SLAM 技術一方面需減少誤差隨時間及活動范圍的積累，另一方面需克服各類場景引起的不良影響，如光照變化明顯導致的視覺失效、長直且無紋理巷道導致的特征匹配失敗、顛簸路面引起的圖像點云畸變等。這導致井下全場景同時定位與建圖難度遠超地面。

2） 可使用硬件方面。煤礦安全準入規則要求：各類傳感器均需有相應資質的煤安認證?，F階段大多數相關研究所使用的傳感器無法直接應用至井下，且當前具備煤安認證的相關傳感器性能較差，無法滿足高精度SLAM 算法對硬件的要求。這導致井下SLAM 技術的應用難度較高。

3.2 礦山無人駕駛SLAM 技術趨勢分析

1） 由于井工煤礦環境存在時空變換特性，井下SLAM 技術應具有較強的環境適應性。目前主流的相機?激光雷達?IMU 融合SLAM 方案仍無法避免粉塵、水霧影響。未來可嘗試通過融入強穿透力的毫米波雷達克服這一缺點，使得SLAM 技術更具魯棒性。

2） 目前SLAM 技術所使用的激光雷達以機械旋轉式架構為主，僅有少數學者針對新興的固態激光雷達進行研究。與機械旋轉式相比，固態激光雷達具有結構簡單、體積小、成本低等優點，是未來激光雷達的研發方向。礦山無人駕駛領域學者應針對固態激光雷達展開SLAM 技術研究，降低SLAM 應用成本及難度。

3） 分析SLAM 技術研究現狀可知，現階段針對井下特殊環境的優化策略主要是通過圖像增強技術、點云配準技術等改善特征匹配、回環檢測等SLAM 核心環節的精度，模式相對固化。機器學習、深度學習等人工智能技術的發展為SLAM 技術發展提供了新的思路。針對特征匹配、回環檢測等SLAM核心環節，未來可借助人工智能技術取代傳統的ICP、NDT 等匹配算法，取得更為準確的匹配效果；同時為環境地圖賦予更多語義信息，便于無人駕駛設備更深層次地理解所處環境，執行更為智能的操作，助力煤礦智能化發展。