在GNSS拒止环境中通过利用腿部里程计增强基于图的SLAM
本研究提出一种因子图架构，将LIO-SAM框架与本体感受腿部里程计驱动的平行运动链相结合，通过具有选择性噪声模型的恒等相对位姿约束耦合。在Linxai D50四足机器人上进行的超过一公里的室外环路测试表明，该方法将高程漂移从30米以上降至30厘米以下，并在基线管道完全失败的场景中实现收敛。结果表明，本体感受数据可作为GNSS拒止环境下SLAM的轻量级垂直锚点。
在GNSS拒止环境下，腿足机器人的自主导航一直是一个核心挑战。传统的基于外部传感器（如LiDAR）的SLAM方法在地理结构稀疏或重复的场景中容易产生显著的高程漂移，这严重限制了机器人在室内、地下或城市峡谷等环境中的长期定位精度。为了解决这一问题，研究人员提出了一种新颖的因子图架构，该架构通过引入一个由本体感受腿部里程计驱动的并行运动链来增强LIO-SAM（LiDAR-Inertial Odometry and Mapping）框架。具体来说，该方法将主LiDAR-惯性运动链与并行运动链通过一个恒等相对位姿约束耦合起来，该约束采用选择性噪声模型，从而在融合不同传感器数据时能够自适应地调整不确定性。该选择性噪声模型根据当前场景的特征，动态调整腿部里程计信息的可信度，例如在LiDAR观测退化时赋予腿部里程计更高的权重。这一机制使得系统在几何特征匮乏的区域（如长走廊、平坦地形）仍能保持较高的定位精度。
该架构的关键创新在于利用了机器人本身在步态控制中已经计算出的本体感受数据，无需额外的传感器或计算开销。在Linxai D50四足机器人平台上进行的实验验证了该方法的有效性。实验涉及两个总长度超过一公里的室外环路，覆盖了多种地形，包括草地、碎石路、斜坡以及具有重复结构的建筑周边。结果表明，该方法将高程漂移从传统方法的超过30米显著降低到30厘米以下，降幅达到两个数量级。更重要的是，在一个基线管道（即仅使用LiDAR-惯性SLAM）完全失败的场景中，所提出的方法依然能够实现收敛，证明了其在恶劣条件下的鲁棒性。基线管道在该场景中由于LiDAR点云退化而完全丢失了位姿估计，而加入腿部里程计后的系统则成功保持了稳定跟踪。
进一步分析表明，本体感受数据提供了一种轻量级且有效的垂直锚点，弥补了LiDAR在垂直方向上的观测不足。这对于在GNSS拒止环境下实现长时间、长距离的自主导航具有重要意义。该研究由Léon Perruchot-Triboulet等人完成，相关论文已提交至2026年5月的ICRA研讨会“Robot Meets GNSS and Ranging for Seamless Autonomy”。论文共4页，包含3张图和2张表，详细阐述了方法的设计原理和实验验证过程。这项研究为腿足机器人在复杂环境中的自主导航提供了一种低成本、高可靠性的解决方案，有望推动四足机器人在搜索救援、工业巡检、军事侦察等领域的实际应用。未来工作将探索如何进一步优化因子图的实时性能，以及将该方法扩展到多机器人协同场景中。