在GNSS拒止環境中透過利用腿部里程計增強基於圖的SLAM

在GNSS拒止環境下，腿足機器人的自主導航一直是一個核心挑戰。傳統的基於外部感測器（如LiDAR）的SLAM方法在地理結構稀疏或重複的場景中容易產生顯著的高程漂移，這嚴重限制了機器人在室內、地下或城市峽谷等環境中的長期定位精度。為了解決這一問題，研究人員提出了一種新穎的因子圖架構，該架構透過引入一個由本體感受腿部里程計驅動的並行運動鏈來增強LIO-SAM（LiDAR-Inertial Odometry and Mapping）框架。具體來說，該方法將主LiDAR-慣性運動鏈與並行運動鏈透過一個恆等相對位姿約束耦合起來，該約束採用選擇性噪聲模型，從而在融合不同感測器資料時能夠自適應地調整不確定性。該選擇性噪聲模型根據當前場景的特徵，動態調整腿部里程計資訊的可信度，例如在LiDAR觀測退化時賦予腿部里程計更高的權重。這一機制使得系統在幾何特徵匱乏的區域（如長走廊、平坦地形）仍能保持較高的定位精度。

該架構的關鍵創新在於利用了機器人本身在步態控制中已經計算出的本體感受資料，無需額外的感測器或計算開銷。在Linxai D50四足機器人平臺上進行的實驗驗證了該方法的有效性。實驗涉及兩個總長度超過一公里的室外環路，覆蓋了多種地形，包括草地、碎石路、斜坡以及具有重複結構的建築周邊。結果表明，該方法將高程漂移從傳統方法的超過30米顯著降低到30釐米以下，降幅達到兩個數量級。更重要的是，在一個基線管道（即僅使用LiDAR-慣性SLAM）完全失敗的場景中，所提出的方法依然能夠實現收斂，證明了其在惡劣條件下的魯棒性。基線管道在該場景中由於LiDAR點雲退化而完全丟失了位姿估計，而加入腿部里程計後的系統則成功保持了穩定跟蹤。

進一步分析表明，本體感受資料提供了一種輕量級且有效的垂直錨點，彌補了LiDAR在垂直方向上的觀測不足。這對於在GNSS拒止環境下實現長時間、長距離的自主導航具有重要意義。該研究由Léon Perruchot-Triboulet等人完成，相關論文已提交至2026年5月的ICRA研討會“Robot Meets GNSS and Ranging for Seamless Autonomy”。論文共4頁，包含3張圖和2張表，詳細闡述了方法的設計原理和實驗驗證過程。這項研究為腿足機器人在複雜環境中的自主導航提供了一種低成本、高可靠性的解決方案，有望推動四足機器人在搜尋救援、工業巡檢、軍事偵察等領域的實際應用。未來工作將探索如何進一步最佳化因子圖的即時效能，以及將該方法擴充套件到多機器人協同場景中。