## 中文标题 LiDAR传感器网络中具有间歇惯性测量的移动机器人分布式状态估计

《Advanced Intelligent Systems》:Distributed State Estimation for Mobile Robots in LiDAR Sensor Networks With Intermittent Inertial Measurements

【字体: 大 中 小 】 时间:2026年08月27日 来源:Advanced Intelligent Systems 6.7

编辑推荐:

   多机器人在动态场景和非结构化环境中的日益广泛部署,需要可扩展且鲁棒的估计技术,尤其是利用分布式传感器网络(DSN)的估计方法。本文提出了一种分布式观测器框架,专用于LiDAR传感器网络中自主移动机器人的状态估计与跟踪。该框架融合了远程状态估计与间歇性机载惯

  


多机器人在动态场景和非结构化环境中的日益广泛部署,需要可扩展且鲁棒的估计技术,尤其是利用分布式传感器网络(DSN)的估计方法。本文提出了一种分布式观测器框架,专用于LiDAR传感器网络中自主移动机器人的状态估计与跟踪。该框架融合了远程状态估计与间歇性机载惯性数据,以提高跟踪精度和可扩展性。通过一种可靠的聚类方法,该框架降低了通信开销并最小化了DSN的计算负担,从而应对大数据量带来的挑战。此外,研究开发了一个3D包围盒检测模块,以适应各种传感器配置,实现非结构化环境中鲁棒且高效的目标跟踪。研究分析了分布式状态估计器的共识特性,并正式建立了相应估计误差动态的渐近稳定性。通过涉及动态场景遮挡的广泛实验研究验证了所提框架,证明了其在高精度、一致性和计算效率方面在广泛运行条件下的优越表现。
## 论文解读文章

### 研究背景与问题

随着自主移动机器人在物流、智能交通和车队移动等领域的广泛应用,多机器人在动态复杂环境中的安全高效运行已成为核心技术挑战。分布式状态估计与跟踪是实现网络化自主移动机器人在感知退化条件下运动规划与控制的基础。然而,现有研究面临多重挑战:基于滤波的分布式观测器设计(如分布式/共识卡尔曼滤波器)的性能依赖于网络传感器拓扑结构;基于优化的分布式观测器计算复杂度高;事件触发的分布式估计虽能降低通信量但需维持误差动态稳定性。基于学习的方法虽能直接从原始传感器数据推断状态,但需要大规模静态/动态场景数据集且可解释性差,限制了其可扩展性。

在感知模态方面,LiDAR传感器因能提供高分辨率3D空间信息并精确捕捉环境几何结构,同时保护操作人员隐私,已被广泛应用于位姿估计、目标跟踪和同步定位与建图。然而,自主移动机器人尺寸的多样性以及动态环境中频繁出现的遮挡(如图1所示),对可靠的检测和航向估计构成了重大挑战。当前传感器网络中的估计方法——无论是集中式处理还是在各传感器节点部署微型卡尔曼滤波器——都对系统计算能力提出高要求,且需要节点间大量通信以实现有效的状态估计与跟踪。此外,现有用于LiDAR移动机器人/车辆跟踪的L形拟合方法在传感器安装高度和动态特征方面存在局限,限制了传感器布置的灵活性,降低了对异构或不规则部署场景的适应性。这些局限在涉及多移动机器人和人员遮挡的动态环境中更为突出,阻碍了位姿估计及其相关点云聚类和目标跟踪模块的可扩展性和整体性能。

### 研究内容与结论

本研究开发并实验验证了一种用于LiDAR传感器网络中移动机器人的分布式状态观测器,在确保估计误差动态收敛性和稳定性的同时,提供精确的跟踪与位姿估计。研究的具体贡献包括:设计了一个鲁棒的基于LiDAR的3D包围盒检测模块,可适应DSN中多种传感器布置;开发了一个可扩展的分布式观测器框架,通过融合远程状态估计和间歇性机载惯性数据实现移动机器人的跟踪与位姿估计,并严格研究了相应估计误差动态的渐近稳定性;通过可靠的聚类方法降低通信开销并最小化DSN计算负担,并通过涉及动态场景遮挡的多项实验验证了估计器的精度、一致性和计算效率。该论文发表在《Advanced Intelligent Systems》。

### 关键技术方法

研究人员采用了以下主要技术方法:利用体素网格滤波(VoxelGrid)对原始点云进行降采样预处理;采用欧几里得聚类(Euclidean clustering)分割点云;基于最大似然准则的簇关联方法;通过凸包生成(convex hull)和L形拟合提取机器人主边;采用RANSAC直线拟合进行边缘检测;当L形拟合不适用时应用主成分分析(PCA)确定主方向;基于共识的信息滤波器(consensus information filter)实现分布式状态估计;利用Madgwick滤波器处理机载IMU数据。实验场景为室内平坦地面环境,涉及动态遮挡条件。

### 研究结果

**检测与聚类模块**:研究建立了完整的点云处理流水线。首先通过体素网格滤波降低点云密度,再通过坐标变换将点云对齐至世界坐标系{W}。地面点去除采用阈值策略Pf={p∈Pw|z>hf+s},其中hf为地面高程,s为松弛变量。随后通过欧几里得聚类将点云分割为不同簇,各簇Pl由满足距离阈值dth的邻近点组成。簇的尺寸与机器人已知几何尺寸比较以识别对应簇。通过最大似然准则确定关联簇,似然函数Ll=1/dl基于簇质心与先前位置估计的距离计算。

**3D包围盒生成**:研究提出了两种包围盒生成方法。当簇中两点线方向差θ?l≥θth时,采用L形拟合方法:将凸包顶点投影到xy平面,通过角度计算确定主边,利用标量积μr分类点所属边,并以距离最小化角点pn为基准将簇分为两个子集Pl1和Pl2,最终通过RANSAC拟合直线确定机器人边长和方向。当θ?l<θth时,改用PCA方法:通过协方差矩阵的特征向量变换坐标系统,从第一主成分确定机器人方向,并从变换后点云的空间范围获得长宽尺寸。

**分布式观测器设计**:状态向量xk=[xk,yk,θk,vx,k,vy,k,θ?k]?包含平移位置、偏航角和各速度分量。过程模型采用恒定加速度模型,控制输入uk=[ax,k,ay,k,θ?k]?通过移动时域内的位置和速度梯度计算。分布式观测器采用信息滤波器形式,结合局部测量更新和邻域共识项,共识增益Gi控制相邻估计器间的耦合强度。研究分析了分布式状态估计器的共识特性,并正式证明了估计误差动态的渐近稳定性。

**机载惯性数据融合**:研究将机载IMU测量(加速度计和陀螺仪)通过Madgwick滤波器计算姿态四元数qk,进而获得偏航角θkI。加速度数据经旋转矩阵Rz,kI变换至世界坐标系后,作为控制输入替代(8)式中的远程传感加速度向量ak。这种间歇性通信策略为过程模型提供可靠的控制等效输入,增强了估计一致性和融合精度。

### 讨论与结论

实验验证涉及动态场景中的遮挡条件,结果表明所提框架在估计精度、一致性和计算效率方面均表现优异。通过可靠的聚类方法有效解决了大数据量带来的通信和计算挑战。3D包围盒检测模块的适应性设计使其能兼容各种传感器配置,增强了框架在非结构化环境中的鲁棒性。

研究结论表明,所提出的分布式状态估计框架通过融合远程LiDAR感知与间歇性机载惯性测量,在降低通信开销和计算负担的同时实现了高精度、高一致性的移动机器人跟踪与位姿估计。该框架的渐近稳定性得到严格证明,并通过动态遮挡场景实验得到验证,为分布式传感器网络中的自主移动机器人状态估计提供了一种可扩展且鲁棒的解决方案。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号