深度特征增强的激光雷达-视觉-惯性测距技术，用于隧道环境中的稳健地图构建

《AUTOMATION IN CONSTRUCTION》：Deep feature-enhanced LiDAR-visual-inertial odometry for robust mapping in tunnel environment

本文针对隧道环境中几何特征稀疏和光照不足导致的LiDAR odometry性能退化问题，提出了一种融合LiDAR、视觉和惯性信息的智能检测框架。通过耦合旋转-平移约束识别退化方向，结合深度学习增强低纹理场景下的视觉特征跟踪，并设计选择性条件扩展卡尔曼滤波器实现实时高效的数据融合。实验表明，在权威隧道数据集上，绝对轨迹误差降低至3.23米，相对位姿误差提升16.14%，同时保持实时性能，为地下工程机器人自主导航与地图构建提供有效解决方案。

　　

易燕|张丽茂|叶青青|张兆祥|孙明辉

华中科技大学土木与水利工程学院，中国湖北省武汉市洪山区珞瑜路1037号，430074

摘要

隧道的运营和维护是基础设施系统功能的基础。随着智能自动化的发展，机器人隧道检测和测绘逐渐取代了传统的人工方法。里程计是机器人检测的核心技术，但隧道中稀疏的几何特征和重复的结构会导致激光雷达里程计（LO）性能下降。本文提出了一种适用于隧道环境退化的激光雷达-视觉-惯性里程计融合框架。该框架采用耦合的旋转-平移约束来识别六自由度（6-DoF）约束的退化。基于深度神经网络的视觉-惯性里程计（VIO）被用来提高低纹理场景中的特征跟踪稳定性。条件扩展卡尔曼滤波器（CEKF）融合架构能够选择性地整合沿退化方向的VIO信息。在两个权威的隧道数据集上的实验表明，绝对轨迹误差（ATE）分别为3.23米和3.74米，平均地图熵（MME）分别为-8.58和-7.04，相对姿态误差（RPE）相比BALM方法提高了16.14%，同时保持了实时性能。本文为隧道退化环境中的机器人检测提供了全面的解决方案。

引言

隧道是现代交通系统和市政基础设施的关键组成部分，需要严格的结构安全监测和高效的操作维护，以确保公共安全并维持社会经济运行[1]。随着新型城市化进程的加速和交通网络复杂性的增加，隧道检测已经超越了单纯的技术领域，成为基础设施管理数字化转型的战略基石[2]。传统的人工检测方法存在诸多局限性，包括人员进入封闭隧道空间时的安全风险增加、检测精度不足以及空间覆盖密度不够，这些都无法满足当前的维护要求。为了应对对智能自动化的日益增长的需求，隧道检测机器人应运而生，具有显著的优势[3]。这些机器人系统在高效处理空间盲区、通过标准化协议提高检测精度以及实现实时测绘方面表现出色[4]。然而，在地下环境中部署时，检测机器人会遇到全球定位系统（GPS）信号缺失等操作挑战。这一限制促使了同时定位与地图构建（SLAM）技术的应用[5]，该技术通过多传感器集成（如激光雷达和惯性测量单元）[6] [7]实现自主环境感知[8]。SLAM框架能够实现实时3D隧道测绘，并保持高精度的定位，从而提供强大的导航能力[8]。此外，SLAM增强的机器人系统能够在全面隧道检测中实现精确的轨迹跟踪、动态障碍物避让和系统化的缺陷记录[9]。

SLAM技术主要可以分为视觉SLAM和激光雷达SLAM[10]。与视觉SLAM相比，激光雷达SLAM的优势在于能够直接构建密集的点云地图，并提供更广泛的应用范围[11]。目前，激光雷达SLAM的前端组件——激光雷达里程计（LO）通常使用基于点对点或点对平面对应的迭代最近点（ICP）[12]算法来估计两帧点云之间的姿态变换[13]。从根本上说，ICP及其衍生方法依赖于环境中存在的几何特征来进行准确的姿态估计[14]。在具有足够几何约束的场景中，如城市或室内环境，这些方法的精度非常高[15]。然而，在几何结构稀疏且具有显著自相似性的高度非结构化环境中，例如隧道和地铁中（如图1所示），LO系统可能会遇到扫描间不匹配或约束不足的问题[17]。这些问题可能导致六自由度（6-DoFs）姿态估计的某些维度下降，进而影响定位和测绘的准确性[18] [19]。此外，当检测机器人在相对狭窄的隧道内运行时，点云倾向于聚集在机器人两侧的小区域附近，这可能导致姿态的垂直偏移。这两个挑战都会降低机器人的姿态估计精度，最终降低检测效果。

本研究的基本前提是探讨是否可以通过补充的传感器模式来减轻LO的退化。一个直观的解决方案是利用惯性测量单元（IMU）数据。通过加速度计和陀螺仪的测量，高精度的IMU可以部分补偿LO的垂直偏移和退化[22]。然而，在实际应用中，由于传感器噪声的存在，测量误差会随时间累积，导致状态估计精度逐渐下降[23]。因此，IMU提供的信息仅能对LO提供有效的短期补偿[24]。这种固有的限制使得激光雷达-惯性SLAM系统在结构过于规则或感知退化的环境中无法持续运行。

另一种方法是利用视觉信息。传统的视觉-惯性里程计（VIO）在低光照或纹理不足等具有挑战性的环境中难以提取高质量的特征点或实现准确稳定的特征匹配[25]。因此，在这些情况下，传统的VIO跟踪往往会失败[26]。然而，深度学习的进步使得VO系统中的特定模块得到增强，通过将经典几何方法与数据驱动的深度学习技术相结合[27]。例如，预训练的深度神经网络可以替代传统的图像特征提取方法和特征匹配技术[28]。这种融合使得VIO即使在光线昏暗、纹理匮乏的隧道环境中也能为检测机器人提供高精度的姿态估计。

为了满足检测机器人在隧道运营和维护中高精度姿态估计和密集场景测绘的工程需求，本文提出了一种激光雷达-惯性-视觉里程计方法。与为街道和室内空间等通用场景设计的通用多传感器融合SLAM不同，该方法重点关注隧道环境的三个关键特征：（1）隧道中稀疏的几何特征和结构自相似性导致激光雷达里程计退化；（2）昏暗的照明和不足的纹理信息导致传统视觉-惯性里程计失效；（3）隧道检测的实时操作要求。基于这些考虑，本文的主要贡献如下：

(1)

提出了一种新的退化检测框架，能够准确确定隧道场景中LO的退化方向；

(2)

提出了一种基于深度学习的VIO框架，能够在低纹理隧道环境中稳健地提取和跟踪视觉特征点；

(3)

提出了一种条件扩展卡尔曼滤波器（CEKF）数据融合框架，能够在满足实际工程实时要求的同时过滤有效信息。

本文的其余部分组织如下：第2节回顾了多传感器融合SLAM和退化检测算法的相关工作。第3节介绍了结合激光雷达里程计和视觉-惯性里程计的激光雷达-惯性-视觉里程计框架。第4节详细介绍了实验设置并分析了结果。第5节进行了消融研究。最后，第6节总结了本文的工作。

相关文献

相关工作

本节全面回顾了与本研究方法相关的现有文献，包括SLAM算法、激光雷达里程计退化检测和处理方法以及多传感器融合方法。

提出的方法

为了同时估计机器人的姿态并重建环境地图，本文开发了一种激光雷达-视觉-惯性传感器融合框架，如图2所示。该框架包括三个子系统：LO子系统、VIO子系统和条件扩展卡尔曼滤波器（CEKF）子系统。LO子系统通过专用检测算法检测退化，并通过记录每次激光雷达扫描来构建点云地图。VIO子系统

实验研究

本节通过全面的实验验证证明了所提出的SLAM系统优于现有的同类系统。选择了两个公开可用的隧道环境数据集：Kimera-Multi Campus-Tunnel（Tian等人，2023年）和WHU-Helmet数据集。后续部分详细介绍了实验配置、数据集特征、评估指标和相应的实验结果。

消融研究

本节的结构如下：首先，评估了增强深度特征的VIO相对于标准VIO的优势。其次，比较了所提出的CEKF与标准EKF之间的差异。最后，选择了几种其他退化检测算法进行对比分析，包括张的方法[49]、LION [50]和X-ICP [51]。为了定量证明所提出方法的优越性，进行了

结论

本文提出了一种适用于几何特征稀疏和纹理信息不足的退化隧道环境的激光雷达-视觉-惯性里程计框架。本研究的主要贡献包括：（1）提出了一种结合旋转-平移约束的退化检测机制，能够实时识别六自由度（6-DoFs）姿态约束的丢失；（2）提出了一种混合视觉-惯性里程计系统，结合了深度神经网络，实现了持续的姿态估计

CRediT作者贡献声明

易燕：撰写——原始稿件，撰写——审阅与编辑，可视化，验证，软件，资源，方法论，数据整理，概念化。张丽茂：概念化，资源，方法论，调查，撰写——审阅与编辑，监督，方法论，资源。叶青青：资源。张兆祥：撰写——审阅与编辑。孙明辉：撰写——审阅与编辑。

利益冲突声明

我们声明本文手稿尚未提交给其他期刊或其他出版机构，也未在评审中。所有作者均参与了（a）概念设计和数据分析与解释；（b）文章的起草或对重要内容的批判性修订；（c）最终版本的批准。作者与讨论主题有任何直接或间接财务利益关系的组织均无关联

致谢

本工作部分得到了国家自然科学基金（编号：72271101、72571110）、国家自然科学基金青年科学基金（编号：52302506）、陕西省重点研发计划（编号：2025GH-YBXM-022）以及湖北省科技计划（编号：2022CFA062、2024DJC007）的支持。