曾光 黃健盛 佟景泉 黃楊靈

收稿日期：2023-07-30

基金項目：2021年廣東省科技創(chuàng)新戰(zhàn)略專項資金（“攀登計劃”專項資金）項目（pdjh2022b0855，pdjh2022b0854）；2023年廣東省科技創(chuàng)新戰(zhàn)略專項資金（大學生科技創(chuàng)新培育）項目（pdjh202360852）

DOI：10.19850/j.cnki.2096-4706.2024.04.015

摘? 要：在未知環(huán)境中實現(xiàn)機器人的自主導航與環(huán)境建圖是一個極具挑戰(zhàn)的研究課題，SLAM是應對這一挑戰(zhàn)的關(guān)鍵技術(shù)之一?；谘芯楷F(xiàn)狀分析、系統(tǒng)方案設(shè)計、技術(shù)實現(xiàn)與實驗驗證等內(nèi)容，結(jié)合視覺與激光各自的優(yōu)勢，設(shè)計一種未知環(huán)境下基于視覺與激光融合的SLAM系統(tǒng)。通過針對關(guān)鍵幀和滑動窗口的平衡選取策略以及分類優(yōu)化策略對初始位姿和特征點進行優(yōu)化，提高了系統(tǒng)的魯棒性，可以輸出高精度地圖；通過實現(xiàn)以智能小車為載體的演示系統(tǒng)驗證了所提出算法的可行性和實用性。

關(guān)鍵詞：未知環(huán)境；視覺；激光；SLAM

中圖分類號：TP389.1；TP242；TN958.98? ?文獻標識碼：A 文章編號：2096-4706（2024）04-0074-05

Research and Implementation of SLAM System Based on Vision and Laser Fusion in Unknown Environment

ZENG Guang， HUANG Jiansheng， TONG Jingquan， HUANG Yangling

（Guangdong Communication Polytechnic， Guangzhou? 510650， China）

Abstract： Realizing autonomous navigation and environmental mapping of robots in unknown environments is a highly challenging research topic， and SLAM is one of the key technologies to address this challenge. Based on the analysis of research status， system scheme design， technical implementation， and experimental verification， combined with the advantages of vision and laser， a SLAM system based on vision and laser fusion in an unknown environment is designed. By using a balanced selection strategy for keyframes and sliding windows， as well as a classification optimization strategy， the initial pose and feature points are optimized， which improves the robustness of the system and can output high-precision maps; the feasibility and practicality of the proposed algorithm are verified through the implementation of a demonstration system using intelligent cars as carriers.

Keywords： unknown environment; vision; laser; SLAM

0? 引? 言

在搜索救援等復雜場所（如隧道、礦井、倉庫、大型寫字樓和地下停車場等場所），人們經(jīng)常面對充滿未知和挑戰(zhàn)的環(huán)境。在這些環(huán)境中，構(gòu)建實景地圖以及實現(xiàn)自主導航的能力至關(guān)重要。此外，為了保障工作人員的安全和提高生產(chǎn)效率，需要提供一種能夠在復雜環(huán)境中自主運動的解決方案。移動機器人因其自身的靈活性和適應性，成為解決諸多棘手問題的絕佳選擇。

然而，在未知環(huán)境中，移動機器人面臨著三個基本問題：“我在什么地方？”“我周圍環(huán)境是怎樣的？”“我如何到達目標位置？”這些問題涉及機器人的定位、環(huán)境感知和路徑規(guī)劃[1]。只有進行準確的定位和建圖，機器人才能在未知環(huán)境中自主導航，實現(xiàn)高效的任務執(zhí)行。

為了積極應對這些挑戰(zhàn)，同步定位與地圖構(gòu)建（SLAM）技術(shù)應運而生。SLAM是一種關(guān)鍵技術(shù)，指的是安裝相機、激光雷達等傳感器的運動主體，通過傳感器獲取的信息在未知環(huán)境中估計自身的運動軌跡，實時建立環(huán)境模型。尤其是基于視覺與激光融合的SLAM系統(tǒng)，使移動機器人能夠在未知環(huán)境中獲取并感知自身定位與環(huán)境的空間幾何結(jié)構(gòu)信息。借助SLAM技術(shù)，機器人可以構(gòu)建柵格地圖或拓撲地圖，從而增強其對環(huán)境的感知和導航能力。

1? 研究現(xiàn)狀

目前，室內(nèi)導航的兩個主要研究主題分別是基于視覺的SLAM技術(shù)和基于激光的SLAM技術(shù)，這兩個研究主題在計算機視覺和移動機器人導航領(lǐng)域都受到廣泛關(guān)注。此外，將視覺和激光數(shù)據(jù)進行融合（得出視覺激光融合SLAM），能夠有效克服各自單獨應用時的局限性，獲得更準確和魯棒性更高的導航與建圖能力。

1.1? 視覺SLAM

視覺SLAM利用低成本相機和計算機視覺技術(shù)，對連續(xù)圖像序列的特征運動進行感知，從而實現(xiàn)對相機運動的估計和導航位姿的計算。這種技術(shù)使移動機器人能夠在未知環(huán)境下自主定位和建立地圖，為準確導航和路徑規(guī)劃提供關(guān)鍵信息。視覺SLAM因其獨有的靈活性和成本效益，在計算機視覺和移動機器人領(lǐng)域得到了廣泛的應用與研究[2]。RGBD-SLAM[3]、LSD-SLAM[4]、MonoSLAM[5]和ORB-SLAM[6]等都屬于典型的視覺SLAM算法。相關(guān)研究內(nèi)容如下：

1）提高匹配魯棒性。在光照條件較差或紋理特征較弱的環(huán)境下，視覺SLAM面臨著匹配精度下降的困境。相關(guān)學者致力于開發(fā)魯棒的特征提取和匹配算法，以應對復雜環(huán)境的變化影響和噪聲影響。

2）解決尺度不確定性問題。在純視覺SLAM中，單目相機無法直接測量場景中的絕對尺度，因此會存在尺度不確定性的問題。相關(guān)學者提出了多視圖幾何約束和結(jié)構(gòu)化光度誤差等方法，用以解決尺度不確定性問題并提高定位精度。

3）拓展應用范圍。當前視覺SLAM主要應用于室內(nèi)環(huán)境，在室外和大場景下，其性能和效用受到一定的限制。相關(guān)學者致力于解決視覺SLAM在室外場景中的定位問題，通過增加傳感器（如IMU）的方式提高視覺SLAM在復雜場景中的性能。

1.2? 激光SLAM

激光SLAM利用激光雷達快速掃描場景，獲取豐富的三維點云數(shù)據(jù)，對連續(xù)幀的激光點云進行匹配，實現(xiàn)導航計算和實時建圖。GMapping[7]、Cartographer[8]、Hector SLAM[9]和Karto SLAM[10]等都屬于典型的激光SLAM算法。相關(guān)研究內(nèi)容如下：

1）提高實時計算效率。激光SLAM需要處理大量的三維點云數(shù)據(jù)，為此對激光SLAM的實時計算性能提出了更高的要求。研究人員通過優(yōu)化算法和硬件加速等手段，提高激光SLAM的實時計算性能，以適應環(huán)境的快速變化。

2）解決動態(tài)場景穩(wěn)健重定位問題。在存在動態(tài)障礙物的環(huán)境中，激光SLAM面臨著受障礙物阻擋而重新定位的挑戰(zhàn)。研究人員提出了濾波、回環(huán)檢測和特征選擇等方法，用以提高激光SLAM的穩(wěn)健性和可靠性。

3）粗差處理和閉環(huán)處理。激光SLAM中由于存在傳感器噪聲和運動估計誤差，會產(chǎn)生粗差數(shù)據(jù)。研究人員致力于開發(fā)粗差處理算法，并利用閉環(huán)檢測與優(yōu)化方法進一步提高激光SLAM的建圖精度和穩(wěn)定性。

1.3? 視覺與激光融合SLAM

視覺激光融合SLAM是指將視覺和激光數(shù)據(jù)相互融合，優(yōu)勢互補，獲得更強大的定位與建圖能力。Zhang等學者提出的V-LOAM（Visual-Lidar Odometry and Mapping）算法緊耦合運作，利用等速度高斯過程建模運動，實現(xiàn)高精度的導航位姿估計[11]。而LVIO（Laser-Visual-Inertial Odometry）算法是一種融合3D激光雷達、相機和慣性測量單元數(shù)據(jù)的技術(shù)，通過整合這些傳感器的信息來構(gòu)建大范圍的環(huán)境地圖[12]。這種融合技術(shù)能夠克服單一傳感器的局限性，可提供更加全面和準確的環(huán)境感知能力。這些算法通過順序的、多層處理線程解決了傳統(tǒng)方法中卡爾曼濾波或因子圖優(yōu)化難以解決的問題，從而可實現(xiàn)更優(yōu)秀的定位與建圖效果。

總體而言，視覺SLAM、激光SLAM和視覺激光融合SLAM都是目前移動機器人導航領(lǐng)域具有重要研究意義的技術(shù)。視覺SLAM通過低成本相機和計算機視覺技術(shù)實現(xiàn)導航位姿計算，適用于相對較小的場景和資源受限的應用。激光SLAM則依賴激光雷達獲取三維點云數(shù)據(jù)，適用于相對較大的場景和實時性要求較高的場景。而視覺激光融合SLAM則充分實現(xiàn)視覺和激光數(shù)據(jù)的優(yōu)勢互補，提供更加魯棒和精確的導航和建圖結(jié)果，適用于復雜的未知環(huán)境。

然而，視覺SLAM、激光SLAM和視覺激光融合SLAM仍將面臨一系列的挑戰(zhàn)和機遇。對于視覺SLAM，如何進一步提高匹配魯棒性、解決尺度不確定性以及拓展應用范圍將是重要的研究方向。對于激光SLAM，同樣存在一些具有挑戰(zhàn)性的問題，例如如何提高實時計算效率、如何解決動態(tài)場景下的穩(wěn)健重定位問題以及如何處理粗差和閉環(huán)問題。而對于視覺激光融合SLAM，如何更好地融合視覺和激光數(shù)據(jù)，進一步提高定位和建圖的精度和穩(wěn)定性，以及如何應用于更廣泛的領(lǐng)域，也將是未來的重點研究方向。

2? 系統(tǒng)方案

未知環(huán)境下基于視覺與激光融合的地圖構(gòu)建與定位導航系統(tǒng)的研究方案，通過不同類型的場景感知傳感器實現(xiàn)同時定位導航與地圖構(gòu)建，主要包括前端處理和后端處理兩個階段，進一步探討視覺激光融合的關(guān)鍵技術(shù)，主要流程如圖1所示。

2.1? 前端處理

2.1.1? 數(shù)據(jù)采集與時空基準對齊

在前端處理階段，首先進行數(shù)據(jù)采集，同時從不同傳感器（如激光雷達、視覺相機和慣性測量單元）獲取環(huán)境信息。數(shù)據(jù)采集的關(guān)鍵是對多傳感器數(shù)據(jù)進行時空基準對齊，確保融合后的數(shù)據(jù)具有一致的時間戳和坐標系，為后續(xù)的數(shù)據(jù)處理奠定基礎(chǔ)。

圖1? 本系統(tǒng)方案實現(xiàn)流程圖

2.1.2? 激光點云與視覺特征融合

對前端處理過程中用到的數(shù)據(jù)融合策略進行優(yōu)化，特別是激光點云與視覺特征的融合。激光點云可提供豐富的三維空間信息，而視覺特征則具有更強的紋理信息。通過將兩者融合，可以進一步提高定位的準確性和魯棒性。本研究將采用深度學習技術(shù)、卷積神經(jīng)網(wǎng)絡(luò)對激光點云進行特征提取，并與視覺特征進行融合。這樣的深度學習融合方法有助于解決尺度不確定性和環(huán)境變化對定位導航的影響。

2.2? 后端處理

2.2.1? 回環(huán)檢測與全局優(yōu)化

在后端處理階段，引入回環(huán)檢測技術(shù)來判斷傳感器是否曾到過之前的位置?；丨h(huán)檢測可有效解決傳感器長時間運動后的漂移問題，提供更準確的位置約束。本研究將應用全局平差優(yōu)化技術(shù)對前端推算的位姿軌跡進行優(yōu)化，以進一步提升導航位姿計算的精度和穩(wěn)定性。全局平差優(yōu)化能夠兼顧多個時刻的觀測數(shù)據(jù)和約束信息，對位姿軌跡進行全局調(diào)整，從而減小誤差累積，提高定位精度[2]。

2.2.2? 計算量優(yōu)化策略

在后端位姿和特征點大范圍優(yōu)化過程中的計算量較大。為了解決這個問題，本研究將采用基于關(guān)鍵幀和滑動窗口的平衡選取策略來平衡優(yōu)化計算負擔。在處理關(guān)鍵幀的時候，將根據(jù)其重要性進行優(yōu)先級排序，以排除不必要的計算。此外，本研究還將采用基于特征點和位姿的分類優(yōu)化策略，將優(yōu)化過程劃分為不同的層次和優(yōu)先級，以減少計算量并提高算法的效率和實時性。

2.3? 場景重建與地圖構(gòu)建

在全局優(yōu)化的位姿與傳感器數(shù)據(jù)進行融合后，本研究將利用重建后的位姿信息和融合后的數(shù)據(jù)，構(gòu)建場景的三維地圖。地圖構(gòu)建過程涉及點云配準、建圖算法以及數(shù)據(jù)融合等關(guān)鍵技術(shù)。通過將視覺和激光數(shù)據(jù)相融合，系統(tǒng)將獲得更準確和更豐富的環(huán)境信息，實現(xiàn)對未知環(huán)境的建圖與重建。

2.4? 算法實現(xiàn)與系統(tǒng)集成

為了驗證本研究提出的視覺與激光融合的SLAM系統(tǒng)，我們將在實際場景中進行算法實現(xiàn)與系統(tǒng)集成。選擇合適的硬件平臺（包括激光雷達、相機和慣性測量單元），搭建移動機器人實驗平臺。開發(fā)基于前端處理和后端處理的算法模塊，并進行實時數(shù)據(jù)處理和優(yōu)化。在算法實現(xiàn)過程中，將重點測試視覺激光融合的效果，驗證其對定位導航和地圖構(gòu)建的性能提升。

3? 技術(shù)實現(xiàn)

未知環(huán)境下基于視覺與激光融合的SLAM系統(tǒng)的技術(shù)實現(xiàn)，涉及軟件和硬件兩個層面的內(nèi)容，具體包括問題描述與建模、數(shù)據(jù)處理與優(yōu)化以及軟硬件系統(tǒng)的實現(xiàn)。

3.1? 問題描述與建模

在本研究中，首先需要描述SLAM問題并進行建模。為了實現(xiàn)機器人的自主導航與環(huán)境建圖，我們采用了運動軌跡分解的方法。具體而言，我們將小車在一段連續(xù)時間內(nèi)的運動軌跡劃分為離散的點（時刻），并記錄每個點（時刻）的位置信息，從而構(gòu)建車輛的運動軌跡[12]。同時，地圖構(gòu)建是基于許多特征點的集合。每個時刻，傳感器會測量一部分特征點，并獲取它們的觀測數(shù)據(jù)。通過分析這些數(shù)據(jù)，我們可以建立數(shù)學模型來描述機器人的運動軌跡以及觀測過程[13]。運動方程和觀測方程的建立是關(guān)鍵步驟，它們使得機器人能夠在未知環(huán)境中實現(xiàn)自主定位與地圖構(gòu)建。在對這些方程進行求解的過程中，將傳感器數(shù)據(jù)的不確定性和運動過程中可能的誤差考慮在內(nèi)，以確保復雜環(huán)境下定位與建圖的準確性和穩(wěn)定性。通過結(jié)合特征點和傳感器數(shù)據(jù)，我們能夠獲得豐富的環(huán)境信息，進而構(gòu)建出3D地圖，為機器人在未知環(huán)境中的正確導航提供重要支持。

3.2? 數(shù)據(jù)處理與優(yōu)化

視覺和激光數(shù)據(jù)的融合是本項目的關(guān)鍵技術(shù)之一。在數(shù)據(jù)處理與優(yōu)化階段，我們將結(jié)合前端數(shù)據(jù)處理和后端算法優(yōu)化兩部分來實現(xiàn)視覺與激光的融合，具體流程如圖2所示。

圖2? 本系統(tǒng)數(shù)據(jù)處理與優(yōu)化模塊實現(xiàn)流程圖

3.2.1? 前端數(shù)據(jù)處理

在前端數(shù)據(jù)處理階段，我們專注于對預處理后的雷達和相機數(shù)據(jù)進行特征提取。對于雷達數(shù)據(jù)，我們著重提取ORB特征點，而對于相機數(shù)據(jù)，我們主要關(guān)注點云邊緣平面特征點的提取。對這些特征點的選取是為了在融合視覺與激光數(shù)據(jù)時，能夠提供豐富而有效的信息，從而實現(xiàn)更準確、魯棒性更強的定位與建圖。通過對特征點的提取和匹配，我們可以將激光和視覺數(shù)據(jù)松耦合地輸入到位姿估計模塊中，從而實現(xiàn)對機器人運動軌跡的初步估計[12]。這一前端數(shù)據(jù)處理的步驟為后續(xù)的全局優(yōu)化和地圖構(gòu)建提供了重要的初始信息，為機器人在未知環(huán)境中的自主導航和建圖奠定了基礎(chǔ)。

3.2.2? 后端算法優(yōu)化

后端算法優(yōu)化的目標是進一步優(yōu)化初始位姿和地圖特征點。后端算法優(yōu)化涉及多個關(guān)鍵步驟，其中包括將所得到的初步估計位姿映射到世界坐標系下，并將特征點輸入到全局優(yōu)化模塊。在全局優(yōu)化階段，我們采用平衡選取策略來處理關(guān)鍵幀和滑動窗口，同時還采用分類優(yōu)化策略對初始位姿和特征點進行進一步的優(yōu)化，以得到最終的高精度地圖[12]。這一后端算法的優(yōu)化過程對于整個系統(tǒng)的性能提升至關(guān)重要，它能夠有效地改進定位導航的精度和穩(wěn)定性，構(gòu)建出更為準確和全面的環(huán)境地圖。通過這樣的后端算法優(yōu)化，視覺與激光融合的SLAM系統(tǒng)能夠在未知復雜環(huán)境中實現(xiàn)自主導航與建圖，為搜索救援、室內(nèi)定位、自主巡航等領(lǐng)域帶來更廣泛的應用前景。

3.3? 軟硬件系統(tǒng)實現(xiàn)

在軟件層面，我們將編寫上位機終端控制軟件，實現(xiàn)對移動機器人的控制和導航。同時，進行前端數(shù)據(jù)處理和后端算法優(yōu)化的軟件開發(fā)，整體實現(xiàn)框架如圖3所示。

圖3? 軟硬件系統(tǒng)實現(xiàn)框圖

在硬件層面，我們將搭建移動機器人實驗平臺，如圖4所示。該平臺將基于樹莓派，以智能小車的形式呈現(xiàn)。我們會選擇合適的激光雷達、相機和慣性測量單元作為傳感器，搭建硬件設(shè)備，進行調(diào)試和測試。通過軟硬件系統(tǒng)的集成，我們能夠?qū)崿F(xiàn)完整的視覺與激光融合的SLAM系統(tǒng)。

圖4? 本研究對應系統(tǒng)硬件載體

4? 實驗驗證

為驗證未知環(huán)境下基于視覺與激光融合的SLAM系統(tǒng)的性能和有效性，我們進行了一系列的實驗，實驗結(jié)果如圖5所示。實驗涵蓋了系統(tǒng)的SLAM建圖能力、機器視覺功能以及智能操控特性。

圖5? 上述實驗對應的實現(xiàn)結(jié)果展示

4.1? SLAM建圖實驗

在SLAM建圖實驗中，我們使用了Hector、Gmapping和Karto等多種算法，分別進行了激光SLAM自主建圖以及視覺與激光融合的3D地圖構(gòu)建。為了模擬未知環(huán)境，我們在實驗室內(nèi)搭建了一個復雜的場景，包含走廊、房間和障礙物等元素。

實驗結(jié)果表明，激光SLAM算法在未知環(huán)境中能夠準確地建立地圖，實現(xiàn)自主導航。同時，通過加載RGB-D深度相機，我們成功實現(xiàn)了視覺與激光的融合，構(gòu)建出更為豐富的3D地圖。該功能在搜索救援、室內(nèi)定位和自主巡航等領(lǐng)域具有廣泛的應用前景。

4.2? 機器視覺實驗

在機器視覺實驗中，我們使用RGB-D深度相機和激光輔助，對多種視覺功能進行了驗證。我們實現(xiàn)了人臉識別、目標檢測、邊緣檢測、遁跡巡航以及AR標簽檢測等功能。

實驗結(jié)果顯示，系統(tǒng)能夠準確地進行人臉識別和目標檢測，在邊緣檢測和遁跡巡航方面也表現(xiàn)出良好的性能。AR標簽檢測功能在工業(yè)自動化生產(chǎn)等領(lǐng)域具有潛在的應用價值。機器視覺功能的驗證進一步證明了系統(tǒng)在復雜環(huán)境下的實用性和穩(wěn)定性。

4.3? 智能操控實驗

在智能操控實驗中，我們對系統(tǒng)進行了不同方式的控制，包括語音控制、手柄控制、PC端控制以及手機端APP控制。我們還測試了系統(tǒng)的跟隨、避障和巡航功能。

實驗結(jié)果顯示，系統(tǒng)對于不同控制方式均具有良好的響應性和準確性。跟隨功能能夠?qū)崿F(xiàn)對目標的穩(wěn)定跟蹤，避障功能有效地避免了碰撞。智能巡航功能使得機器人能夠在未知環(huán)境中自主導航，表現(xiàn)出較高的智能化水平。

5? 結(jié)? 論

本文研究了未知環(huán)境下基于視覺與激光融合的SLAM系統(tǒng)，并設(shè)計了一套完整的技術(shù)實現(xiàn)路線。通過系統(tǒng)的實驗驗證，我們證明了該系統(tǒng)在SLAM建圖、機器視覺和智能操控方面的優(yōu)良性能。然而，本系統(tǒng)仍然存在一些待解決的問題，例如進一步提高SLAM建圖算法的實時性和精確性，增強機器視覺功能的魯棒性和準確性，以及優(yōu)化智能操控策略，使其能夠應對更復雜的環(huán)境和任務。在未來的研究中，我們將繼續(xù)改進和優(yōu)化系統(tǒng)的各個模塊，推動視覺與激光融合的SLAM技術(shù)在實際應用中發(fā)揮更大的作用，為搜索救援、室內(nèi)定位、自主巡航等領(lǐng)域帶來更多的創(chuàng)新和進步。

參考文獻：

[1] 顏世博.未知環(huán)境中移動機器人自定位技術(shù)研究 [D].哈爾濱：哈爾濱工業(yè)大學，2012.

[2] 高揚，胡慶武，郭浩.視覺激光匹配導航技術(shù)及其應用 [J].現(xiàn)代導航，2021，12（5）：313-318.

[3] SCHERER S A，ZELL A. Efficient onbard RGBD-SLAM for autonomous MAVs [C]//2013 IEEE/RSJ International Conference on Intelligent Robots and Systems. Tokyo：IEEE，2013：1062-1068.

[4] 王丹，黃魯，李垚.基于點線特征的單目視覺同時定位與地圖構(gòu)建算法 [J].機器人，2019，41（3）：392-403.

[5] DAVISON A J，REID I D，MOLTON N D，et al. MonoSLAM：real-time single camera SLAM [J].IEEE Transactions on Pattern Analysis and Machine intelligence，2007，29（6）：1052-1067.

[6] MUR-ARTAL R，MONTIEL J M M，TARDOS J D. ORB-SLAM： A Versatile and Accurate Monocular SLAM System [J].IEEE Transactions on Robotics，2015，31（5）：1147-1163.

[7] BALASURIYA B L E A，CHATHURANGA B A H，JAYASUNDARA B H M D，et al. Outdoor robot navigation using Gmapping based SLAM algorithm [C]//2016 Moratuwa Engineering Research Conference （MERCon）. Moratuwa：IEEE，2016：403-408.

[8] 陸世東，涂美義，羅小勇，等.基于圖優(yōu)化理論和GNSS激光SLAM位姿優(yōu)化算法 [J].激光與光電學進展，2020，57（8）：216-225.

[9] WEI W C，SHIRINZADEH B，ESAKKIAPPAN S，et al. Orientation Correction for Hector SLAM at Starting Stage [C]//2019 7th International Conference on Robot Intelligence Technology and Applications （RiTA）. Daejeon：IEEE，2019：125-129.

[10] GAO H M，ZHANG X B，WEN J，et al. Autonomous Indoor Exploration Via Polygon Map Construction and Graph-Based SLAM Using Directional Endpoint Features [J].IEEE Transactions on Automation Science and Engineering，2018，16（4）：1531-1542.

[11] ZHANG J，SINGH S. Laser-visual-inertial odometry and mapping with high robustness and low drift [J].Journal of Field Robotics，2018，35（8）：1242-1264.

[12] 余祖俊，張晨光，郭保青.基于激光與視覺融合的車輛自主定位與建圖算法 [J].交通運輸系統(tǒng)工程與信息，2021，21（4）：72-81.

[13] 林義忠，馬凱.室內(nèi)移動機器人自主導航系統(tǒng)設(shè)計 [J].自動化與儀表，2021，36（6）：38-42.

作者簡介：曾光（1990—），男，漢族，廣東河源人，講師，碩士研究生，研究方向：信息通信、機器視覺；黃健盛（2002—），男，漢族，廣東汕頭人，研究方向：城軌通信信號；佟景泉（1984—），男，漢族，黑龍江哈爾濱人，講師，碩士研究生，研究方向：信號控制、交通運輸；黃楊靈（2001—），男，漢族，廣東高州人，研究方向：城軌通信信號。