1. 概述

在当今的机器人技术领域， SLAM（Simutaneous Localization and Mapping / 同时定位与地图构建）算法是一项至关重要的技术。这一技术让机器人能够在未知环境中自主导航，同时构建周围环境的精确地图。20世纪90年代至 21世纪初， SLAM 算法的数学证明和理论缺陷一直是研究的热点。自2010年后， SLAM 算法的数学基础得到了加强，理论上的强收敛性得到了证明，意味着理论上不存在根本性的缺陷风险。

然而，尽管SLAM 算法在理论上得到了强有力支撑，但在实际应用中，工程技术水平仍然是一个关键挑战。环境适应性、激光雷达特性和雷达标定等因素，都在很大程度上影响着SLAM 系统的性能和可靠性。

环境适应性，指的是SLAM系统在各种不同环境中的表现。静态环境中，雷达可以稳定地扫描固定物体，但动态环境中，如存在移动物体时，雷达可能会受到遮挡，影响其准确度。激光雷达特性，则涉及雷达的安装高度和性能参数，如角分辨率和激光发射器性能，这些因素直接影响点云质量。雷达标定，是确保SLAM 系统准确性的关键步骤，特别是在车队环境中，确保所有车辆的雷达标定一致至关重要。

本文将深入探讨这些关键因素，分析它们如何影响SLAM系统的性能，并探讨如何通过工程技术手段优化这些因素，以提升SLAM 系统的实际应用效果。

2. 环境适应性

我们使用双因素分析方法，将环境分为静态和动态两个维度，并从以下角度进行分析：

静态环境： 分析雷达与环境的相互作用，考虑距离、轮廓、材质反光特性等因素。
动态环境： 考察动态物体对雷达视野的影响，包括物体遮挡和雷达视野受限等情况。

需要注意的是，实际工作环境是动静兼有，在规划阶段可先从静态环境分析入手，厘清激光SLAM应用是否存在风险，然后在此基础上从“人机料法环”角度分析动态环境，进一步厘清AMR工作环境，为设计和安调奠定基础。

2.1 静态环境

我们从以下角度来分析静态环境：

● 距离因素： 分析雷达在不同距离下对环境特征的识别能力，如远距离环境中的反射特性。

● 轮廓因素： 探讨雷达对不同形状和结构的物体的识别能力，如墙壁、地面等。

● 材质反光特性： 研究不同材质对激光的反射特性，如金属、玻璃、塑料等。

2.1.1 距离因素

激光雷达的测距原理基于测量激光脉冲从发射到反射回来的时间差。具体来说，激光雷达发射器会发出短脉冲的激光，这些激光在遇到物体后会发生反射。激光雷达的接收器会捕捉这些反射回来的激光脉冲，并测量发出脉冲和接收脉冲之间的时间差。由于光速是已知的，因此可以通过时间差来计算激光雷达与物体之间的距离。

激光雷达的盲区是指雷达无法准确测量的最近距离区域。这个盲区是由于激光雷达发射和接收系统之间的最小响应时间造成的。在这个盲区内，由于激光脉冲的发射和接收几乎同时发生，系统无法区分反射回来的脉冲是来自盲区内的物体还是更远的物体。

激光雷达的最大测量距离取决于多种因素，包括激光的功率、发射孔径的大小、接收器的灵敏度以及环境条件（如大气状况、光照强度等)。一般来说，激光雷达的最大测量距离可以达到几十米甚至上百米，但对于不同的应用场景和雷达型号，这个距离会有所不同。

一般来说，室内型激光雷达的测量距离在20～40米，室外型激光雷达的测量距离在150～200米。室内型激光雷达盲区一般在几厘米，对SLAM 没有影响。接下来我们以室内场景来分析，室外场景与室内相似。

图2-1 激光典型场景

如图2-1,激光雷达扫描环境输出点云（图中青色轮廓线),图中车型的激光雷达安装在车头右角，被车体遮挡以及超出雷达视野外的环境轮廓不会出现在点云内。

如果AMR 所在环境空旷，则激光雷达则不能观测到周围环境轮廓，进而导致定位失败。图2-2是某工程机械结构件车间的布局示意图。

图2-2某结构件车间布局示意图

图2-2中的AMR 在待命区驻车，配置单激光雷达在车头右侧，激光雷达观测范围内是大片空旷场地，没有可供点云配准的轮廓，因此该AMR 在此场景下很容易丢失定位。

在进一步分析图2-2场景前，有必要理解激光SLAM原理，以便从原理角度分析失效场景。激光SLAM技术是一种用于机器人在未知环境中进行定位和地图构建的算法，分为前端和后端，共同协作以实现连续可靠的位姿输出。

前端技术，也称为激光里程计（Laser Odometry）,通过处理激光雷达连续扫描得到的测量数据，通过点云配准算法计算机器人相对上个位姿的移动距离和角度，实时推算机器人航迹。其主要功能包括：

点云配准： 配准相邻点云，从而获得机器人相对上个观测位姿的移动距离和角度，得到航迹。
推算航迹：积分航迹，实时更新机器人当前位姿。

后端技术，也称为回环检测，负责利用历史数据对前端生成的轨迹进行优化，提高定位的准确性和地图的完整性。其主要功能包括：

回环检测： 通过比较当前扫描到的环境特征与之前存储的地图信息，检测是否存在重复的扫描数据，即回环。
位姿优化： 当检测到回环时，通过调整机器人的位姿，使其与历史数据中的位姿一致，从而优化定位轨迹。

前端和后端的配合是实现连续可靠位姿输出的关键：

实时定位：前端提供实时的运动估计，使机器人能够在不断移动的同时更新其位置。
长期优化：后端利用历史数据对前端生成的轨迹进行优化，减少累积误差，提高长期定位的准确性。
数据融合：前后端通过数据交换，前端提供实时数据，后端提供历史和优化后的数据，实现数据的有效融合。

图2-3 基于优化的SLAM经典框架

前端和后端的关系如图2-3所示，前端的局部建图基于激光里程计（激光可观测),后端的全局建图基于所有信息实现对前端的全局优化。

回到图2-2的车间，由于激光雷达观测到的环境基本没有较稳定的轮廓（只有右侧通道旁的电气柜),点云配准较困难。当AMR在待命区开机时，定位大概率失败，原因是没有可供定位的稳定轮廓。如果AMR定位未丢失，行驶出去时有可能走歪，原因是激光里程计继续输出位姿，但是定位失败，激光里程计累积误差导致定位偏差而走偏。

另一种情况是AMR处于狭窄环境中，图2-4是电子厂的风淋门示意图。

图2-4出风淋门场景

在图2-4中， AMR从后门进入风淋间，风浴后前门打开进入外走廊。AMR在风淋间驻车后，其雷达视野被压缩，而前门打开时视野瞬间扩大。这种轮廓快速变化的场景对激光SLAM影响体现在两方面，一是进入风淋间时，雷达视野变窄，但是轮廓不变，因此对激光里程计没有影响， AMR 能够走到中间停车。二是驻车时，前门开启导致轮廓改变，进而影响定位时的点云配准。

备注：出风淋场景的对策之一是关闭激光里程计，收到前门开启新号后启动激光里程计，并重定位。本文重点说明影响激光SLAM的因素和应对思路，故此不对具体场景展开细节讨论。

激光雷达视野变窄后还有一个副作用：位姿的角度精度下降。还是以图2-4为例，由于测量距离较短，因此对角度的测量精度会略低于风淋门外。如果AMR 是带载出风淋间，且风淋间较长，两侧容差非常小（比如单侧20mm)，则要考虑精度问题，比如根据点云计算中线行驶。

2.1.2 轮廓因素

激光SLAM 的点云配准算法是ICP 。ICP（Iterative Closest Point) 算法是一种常用的点云配准方法，它用于将两个点云集匹配在一起，使得它们之间的距离最小化。想象一下，你手里有两张照片，一张是现在拍的，另一张向前走 2步然后转身10度拍的。你想要通过这两张照片，确定你的位置变化。ICP算法就像是在做这个任务，它通过不断地比较和调整，使得两张照片上的点尽可能地重合。

图2-5点云配置

图2-5展示了点云配准结果，白色轮廓线是AMR 建图时的环境轮廓，青色轮廓线是激光雷达扫描到墙体轮廓，可见青色与白色轮廓贴合，表示点云已配准， SLAM 因此得知真实位姿。

现在，让我们看看哪些轮廓有利于点云配准。想象一下，你走在一条直线上，这条直线在另一张照片中也有。当你在照片上看到这条直线时，你就能确定你的位置。这就是所谓的“特征”,在点云中，这样的特征可以是成直角的两条线段，或者是多条平行线。这些特征在两张照片（两个点云)中都存在，使得ICP 算法能够更容易地找到它们之间的对应关系，从而实现准确的点云配准。

图2-5的轮廓非常有利于SLAM, 因为存在大量的平行线（段)与垂直线（段)。设想你拿着这样的两张照片，很容易把它们重合起来。

图2-6是反面例子。

图2-6不利于点云配准的场景

图2-6来自于实例，图中AMR的激光雷达安装在车头右侧。车体右侧是输送线的移动门（灰色线),频繁开合，因此不能用于建图。图中下方是一片杂点，这是建图时料车堆放在此形成，其形状不利于配准，实际运行时这片区域可能空旷也可能有几台料车，从而对点云配准造成了障碍。

备注：图2-6是平面库场景，图中AMR左侧是平面库，停放料车；右侧是带移门输送线。这是典型的激光不良场景，因为平面库中的料车随机变化，属于大动态环境。而输送线移门由于随机开合，也不能用于建图（移门拉开是输送线轮廓),也是大动态环境。SLAM 可依赖的唯有图中上方的小尺寸轮廓（柱子)。这种场景应使用其他传感器来补全，比如基于IMU （惯导传感器)的轮里程计，利用Detour 的多里程计耦合能力应对大动态场景。

2.1.3 材质反光特性

材料的反光特性对激光雷达的性能有着显著的影响。激光雷达通过发射激光并检测其反射回来的光来测量距离和构建环境地图。不同材料对激光的反射能力不同，这直接影响了激光雷达的数据质量和准确性。

例如，高反光材料，如不锈钢，对激光的反射率非常高。当激光雷达扫描这类材料时，反射回来的光信号非常强，这可能导致雷达产生误判，认为存在多个相同距离的点，或者产生所谓的“鬼影”。鬼影是指由于强烈反射造成的虚假点云，它们可能出现在实际物体的旁边或后面，导致雷达无法准确判断物体的真实位置和形状。

此外，一些材料对激光的吸收率较高，如黑色或暗色材料，这些材料反射回来的光信号较弱，可能导致雷达无法检测到这些物体，或者只能检测到物体的部分轮廓。

因此，在勘查激光雷达的应用场景时，需要考虑环境中的材料类型及其反光特性，以减少材质对激光雷达造成的噪音影响。我们从AMR 车体和环境两个维度，以双因素分析方法来讨论此问题：

AMR车体：

车体材质： AMR （自主移动机器人)的车体通常是烤漆钣金材料，这类材料对激光的反射率较高，容易产生鬼影。当激光雷达照射到车体时，强烈的反射可能会在点云数据中形成额外的噪音点，这些点可能被错误地识别为障碍物，从而触发避障系统，导致AMR 无故避障停车。
带载情况： 当AMR 携带货物时，如托盘等，这些货物也可能是高反光材料。在激光雷达近距离照射这些货物时，同样可能产生鬼影，形成噪音点，干扰避障系统的判断，导致不必要的避障行为。

环境材质：

近距离照射： 在近距离（一般在200mm 左右)被激光雷达照射的材质，尤其是那些反射率高的材料，可能会产生显著的噪音点。这些噪音点可能由激光雷达性能不佳引起，例如，性能较差的激光雷达在近距离扫描时可能无法有效区分背景和前景，导致点云数据中出现泡沫状点云。这种噪音会干扰点云配准的准确性，甚至可能触发避障系统，影响AMR 的正常运行。

综上所述，材质反光特性引起的主要问题是噪音，虽然Detour有一定的噪音过滤能力，比如自动过滤激光雷达（因地面倾斜)扫射地面形成“墙体轮廓”噪音，但是不存在一种万能算法可过滤任意噪音。因此在设计时应关注车体、货物和（近距离)环境与激光雷达相互作用而造成的噪音，把硬件噪音问题控制在设计阶段。

2.2 动态环境

动态环境影响因素与静态无异，只是干扰是动态的，分为稳态干涉和非稳态干涉：

稳态干涉：稳态干涉指在一段时间内持续存在的干涉。比如在充电站旁堆放一堆施工材料，改变了建图时的环境轮廓，虽然这些材料只堆放2天，但是对过来充电的AMR会造成定位失败。
非稳态干涉：非稳态干涉指较短时间内存在的干涉。比如AMR 停在待命区，有一台叉车开来停在AMR 激光雷达前面，停留5分钟后离开。当叉车开过来时， Detour 算法会识别这是移动物体，把叉车轮廓从点云过滤掉；当叉车停下一段时间后，算法不再认为这是移动物体，不会从点云过滤；当叉车离开时，它与AMR 相对移动，则激光里程计会根据这个移动轮廓来计算机器人位姿，结果静止的AMR往相反方向飘出若干距离。

简言之，动态环境影响的是激光雷达视野，或遮挡视野，或改变环境轮廓。从干扰性质来看，可分为大动态和噪音两种情况：

大动态： 大动态指环境轮廓较快改变，改变速度快的影响激光里程计，比如贴着激光雷达的物流车辆（跟车场景)、狭窄通道对向交汇的两台AMR; 改变速度慢的影响定位，比如充电站旁堆放的建材、平面库随机变化的料车。
噪音：噪音指随机干扰激光里程计或定位，且持续时间很短。比如调试工程师蹲在激光雷达前操作AMR （挡死激光视野)、驻车AMR 被旁边经过的物流车辆干扰激光里程计。

大动态场景应该在设计时应对，通过增加第二个传感器来应对，举例如下：

视野影响： 如果由于激光雷达视野约束造成，比如180度视野的激光雷达，则可考虑改善车体设计，比如把雷达缝造型为倒V型，将视野扩大到250度；或把对角安装的激光雷达移动到车头中间，减少有腿托盘遮挡激光雷达；或前后安装两个激光雷达，实现全向视野。
激光不良： 如果由于环境约束造成，比如图2-6所示，激光雷达不能观测到稳定轮廓，则考虑加装不同测量原理的传感器，比如IMU, 把IMU 陀螺仪输出的角度与驱动轮编码器输出的线速度结合起来，实现轮里程计，用于激光不良路段（区域)。或在激光SLAM基本不可用的场景，比如乘用车总装车间的主线配送，可更换为地纹SLAM, 实现长距离高精度的定位导航能力。

噪音场景可用简单办法来应对，举例如下：

短暂遮挡激光雷达视野： 使用驱动轮驱动器反馈的转速实现轮里程计，该里程计作用是告知Detour:AMR 静止状态，激光里程计无须计算。

3. 激光雷达特性

3.1 安装高度

在探讨激光雷达特性时，安装高度是一个关键因素，它直接影响激光雷达的观测数据稳定性。激光雷达安装的高度决定了其扫描范围和能够观察到的物体轮廓。理论上，安装高度越高，激光雷达观测到的轮廓越稳定，因为它能够避免地面起伏和障碍物的影响。

然而，激光雷达的安装高度也受到AMR机械构型的限制。对于低矮造型的AMR, 如KIVA底盘，激光雷达的安装高度需要特别考虑。如果安装高度过低，比如低于180mm, 当AMR 在地面上移动时，激光雷达可能会扫描到地面，

从而产生大量的噪音点云。这些噪音点不仅会干扰激光雷达对环境的准确感知，还可能导致误报障碍物，影响AMR 的导航和避障性能。

因此，对于低矮造型的AMR, 如KIVA底盘，激光雷达的安装高度应适当调整，确保它能够避免地面起伏的影响，同时又不至于过高，影响其对地面障碍物的检测能力。适当的安装高度可以帮助激光雷达在扫描时获得更稳定、更清晰的环境数据，从而提高AMR 的导航精度和可靠性。

3.2 雷达性能

在分析激光雷达的性能时，我们主要关注三个关键参数：角分辨率、测量性能和滤波性能。

角分辨率：

影响： 角分辨率决定了激光雷达能够区分两个相邻目标的能力。角分辨率越高，激光雷达可以检测到的细节越精细。
应用影响： 对于小尺寸物体的测量，如车间内的立柱，如果激光雷达的角分辨率较低，可能无法提供足够的测量点来准确描述物体的形状和位置，这会影响到点云配准的准确性。

测量性能：

影响： 激光脉冲在不同反射率材质上的成像特性，直接影响测量点的稳定性。例如，高反光材质会产生强烈的反射，而低反光材质则可能产生较弱的信号。
应用影响： 测量结果的不稳定性会导致点云数据跳动，这会严重影响定位精度。在复杂或动态的环境中，这种跳动可能导致AMR 的导航错误。

滤波性能：

影响： 滤波性能指的是激光雷达对噪音数据的过滤能力。有效的滤波可以去除测量数据中的随机噪声，提高数据的质量。
应用影响： 在实际应用中，环境中的各种干扰（如反射、散射、震动等)会产生噪音数据。激光雷达的滤波性能决定了它能否有效地识别并过滤这些噪音，从而提供准确可靠的点云数据。

雷达性能在设计选型时决定，一般来说，用于高精度定位的激光雷达，应选择角分辨率高于0.2度的产品，其测量性能稳定可靠。

4. 激光雷达标定

在AMR 车队的部署调试过程中，激光雷达的标定是一个关键步骤。标定过程旨在确保每个激光雷达在机器人上的安装位置和角度准确无误，这对于整个车队的协同工作和精确导航至关重要。

4.1 标定车在建图和库位坐标标定的用途

建图：标准车负责构建整个工作区域的环境地图。由于其精确的标定，标准车可以生成一个高精度的地图，为其他AMR提供准确的环境参照。
库位坐标标定： 标准车还负责对库位进行坐标标定。这意味着它将库位的位置信息准确地记录在地图上，这对于车队执行搬运任务至关重要。

4.2 标定结果对标准车和车队的影响

对标准车的影响：

导航精度： 精确的标定直接影响标准车的导航精度。如果标定不准确，标准车可能无法准确地到达预定位置，这会影响整个车队的运作。
地图一致性： 标准车的精确标定有助于保证地图的一致性。所有其他AMR 都以标准车的地图为基准，任何偏差都可能导致整个车队的导航错误。

2 对车队的影响

协同工作： 车队的其他成员依赖标准车的准确标定来协调它们的行动。如果标准车标定不准确，可能导致车队在执行任务时出现混乱。
任务效率： 精确的标定有助于提高车队的任务执行效率。每个AMR 都能准确地到达指定位置，从而加快整个车队的搬运速度。

因此，激光雷达的标定是AMR车队部署调试中的一个关键环节。精确的标定不仅保证了标准车的导航精度，还确保了整个车队的协同工作能力和任务执行效率。任何标定误差都可能对车队的性能产生负面影响，因此在实际操作中，必须仔细进行标定，并定期进行校准，以维持高精度的导航性能。

5. 车载工控机

5.1 硬件配置

一般而言，单激光SLAM可用Intel Celeron J1450以上处理器，内存建议8G，使用DDR4以上双通道配置。双激光SLAM可用Intel i5 Gen10以上处理器，内存建议8G。运行时CPU平均占用率应低于70%。

5.2 操作系统配置

建议使用Windows10，在控制面板中，关闭所有休眠特性，以免系统空闲时进入休眠状态而降频及关闭网络连接。关闭Windows自动更行功能，它会随机占用大量处理器资源。

MDCS也支持Ubuntu16+操作系统。

5.3 散热系统

对于配置了风冷系统的嵌入式工控机，在设计车体时应保证其风冷出口有足够空间散热，以及车体留有空气循环开孔。对于无风冷系统的嵌入式工控机，在设计车体时应有风冷散热机制。

说明：处理器在温度高于85度时会降频，导致Detour没有足够算力运行SLAM算法，出现随机丢定位现象。对于工作在环境温度较高环境的AMR，比如在中国中南部，必须有风冷设计。从实践来看，配有风冷系统的AMR，工控机的处理器温度基本在70度以下，能够为软件提供稳定可靠的算力。

5.4 防震

对于无防震设计的底盘，比如驱动轮与底盘刚性连接的车型，嵌入式工控机应通过弹性组件与车身固定，以减少车体震动对工控机电子元器件（尤其是接插件）的影响。

激光SLAM的能力边界

目录