点击下方卡片，关注「3D视觉工坊」公众号
选择星标，干货第一时间送达
来源：3D视觉工坊
3D视觉硬件汇总，包括结构光3D相机(支持室内外，焊接，机械臂抓取等场景)，相位偏折术、散斑、机械臂抓取和焊接软件，手持扫描仪(支持定位、重定位、稠密建图)、四足狗和小车定位和导航，底盘。点击->查看详情：
太空自主导航需要可靠的地形评估以确保安全操作，尤其是在通信受限、计算资源和功率预算有限的 Underground 环境中。本文提出一种轻量级方法，使用 LiDAR 点云和 IMU 测量实现实时的振动感知可通行性建图。通过将 RANSAC 应用于 SLAM 算法产生的局部点云块，从地形几何中估计初始振动代理。同时，IMU 提供车辙在行驶过程中经历的局部振动观测。然后使用递推最小二乘法在线修正基于点云的预测，使系统能够根据实测车辙响应自适应调整几何估计。该方法在月球模拟环境、室外场地和地下矿井中进行了评估。
I. 引言
近年来，新太空运动改变了航天领域，越来越多的公司和航天机构瞄准遥远且未探索的环境。尽管太空探索变得更加可行，高效探索仍然需要高度自主性，因为遥远的行星环境会导致通信延迟、带宽有限以及直接遥操作机会减少。
对地下环境的兴趣也在增长，如 DARPA 地下挑战赛所强调，以及月球或火星上的行星熔岩管。这些环境可以提供辐射、微陨石和极端温度变化的防护，但同时也带来照明不良、通信丢失、不平坦地形和有限定位等问题。在此类条件下，车辙无法持续依赖操作员，必须使用自身的自主导航系统。
在这些环境中的自主导航需要的不仅仅是避障。如果地形引起强烈振动、高机械应力或不稳定运动，一条无碰撞路径仍可能是低效或不安全的。因此，路径规划应依赖于地形代价地图，该地图不仅描述某个区域是否可通行，还要描述地形在行驶过程中如何影响车辙。本文聚焦于地形诱发机器人振动预测，将其作为崎岖和非结构化环境中的轻量级可通行性线索。
图1：Walferdange 矿井中的 Leo Rover
本文提出一种实时方法，通过结合外部感知和本体感知来估计振动代价地图。使用 LiDAR 生成的点云用于从地形几何估计初始振动代理。使用 RANSAC 算法将局部平面拟合到点云，残差分布用于量化预期地形诱发振动。由于这种几何估计无法完全捕捉机器人特定响应，使用 IMU 测量作为车辙实际经历振动的局部观测。然后使用轻量级递推最小二乘算法在线修正预测振动值。
本文的主要贡献如下：
一种利用外部感知和本体感知传感器预测地形诱发车辙振动的轻量级方法。 一种基于 RLS 的在线自适应修正方法，减少基于点云的预测与基于 IMU 的观测之间的不匹配，并将修正传播到代价地图。 在三个代表性环境中进行的实验验证：月球模拟设施、湖岸和地下矿井。
所提方法在 Lunalab、Symphony Lake 湖岸和 Walferdange 矿井中进行了评估，展示了在实时太空机器人约束下利用局部振动观测对几何地形预测进行在线自适应。
2. 相关工作
本节回顾与车辙振动预测用于地形可通行性分析的相关工作。现有方法大致可根据用于估计地形诱发机器人响应的传感模态进行划分。本体感知方法依赖于行驶过程中机器人响应的车载测量，而外部感知方法使用外部感知传感器在接触前分析地形。最后，本节讨论在线自适应方法，这些方法对于在太空机器人计算约束下利用局部本体感知观测修正外部感知预测具有相关性。
2.1. 本体感知方法
本体感知已被广泛用于从移动机器人与地面的物理交互中推断地形属性。Brooks 和 Iagnemma 表明，轮地交互在行星车结构中引起特征振动，可用于从加速度计测量进行在线地形分类。Weiss 等扩展了这一思想，使用支持向量机并比较了多种加速度表示，包括原始、频域和统计特征。Bai 等进一步研究了三维加速度信号与频域特征及神经网络分类器，强调振动测量可以捕捉到无法从几何或外观直接观测的地形属性。这些工作表明，本体感知信号提供了关于机器人-地形交互的直接信息。然而，它们主要将问题表述为接触后的离散地形分类，而本文侧重于预测行驶前的连续机器人振动响应。
2.2. 外部感知方法
纯本体感知方法的主要限制是它们只能分析车辙已经过的地形。外部感知传感器（如 LiDAR 和深度相机）则可以在接触前感知地形。点云常用于可通行性分析和地形评估。一种常见的几何方法是将局部平面拟合到地形并分析点到平面的残差，通常使用 RMSE，遵循相关研究。类似方法使用相似的几何指标，如基于离地间隙调整的高程标准差引入的粗糙度指数。在本工作中，此类几何粗糙度描述符被解释为车辙在行驶过程中可能经历的振动的轻量级外部代理。
深度学习方法也可以处理点云或 RGB 图像来估计地形可通行性。然而，基于图像的方法不太适合地下环境，因为照明差且额外照明的能量成本高。更一般地，基于学习的方法在太空机器人中可能受限于其计算需求、对训练数据的依赖以及可解释性降低。因此，本工作聚焦于轻量级几何描述符而非基于深度神经网络的地形分析。
2.3. 在线自适应
纯外部地形描述符不能完全捕捉机器人特定的振动响应，后者还取决于形态、车轮、悬架、速度和地形力学特性。因此，在线自适应对于利用行驶过程中获取的本体感知观测修正几何预测非常有用。Waibel 等比较了一种使用 RANSAC 的基于 LiDAR 的地形代价方法与一种基于 LSTM 的预测未来沿可能路径的 IMU 测量的方法。他们的结果显示了基于学习自适应的好处，因为学习模型可以减少手动调节阈值的需求，并更好地考虑复杂的地形-机器人交互。然而，此类方法仍然计算量大，可能需要大量训练数据，限制了其在太空受限系统中的适用性。
为解决这一限制，本工作使用基于 RLS 的轻量级在线线性回归方法。RLS 已被用于递归模型辨识和修正，包括与卡尔曼滤波结合，并能够实时高效地整合新观测。本工作使用 RLS 来适配基于点云的地形粗糙度与实测 IMU 振动之间的关系。目标不是取代几何地形分析，而是利用车辙实际经历的振动在线修正其输出。这提供了一个在太空机器人约束下适用于机器人振动预测的计算高效框架。
总体而言，文献中凸显了外部可通行性估计（在接触前预测但仍然是机器人响应的间接代理）与本体感知振动分析（仅在行驶后测量实际交互）之间的差距。本工作通过结合基于点云的预测与来自 IMU 反馈的轻量级在线修正来弥补这一差距。
III. 方法
图2展示了所提架构的概览。在该框架中，点云被用作外部输入，在行驶前估计地形诱发振动代理，而 IMU 数据提供接触后车辙实际经历振动的局部观测。一旦计算出预测和观测的振动分数，就应用在线修正来使点云预测适应实测机器人响应。该修正依赖于 RLS 算法，并生成修正后的振动代价地图。
图2：所提振动预测框架概览
3.1. 外部振动预测
初始预测从 LiDAR 点云计算，但该方法适用于任何产生点云的传感器。LiDAR 非常适合地下和太空相关环境，在这些环境中有限的照明使基于视觉的感知不太实用。其功耗也可与立体视觉系统相当：Mastcam-Z 成像约需 ，而工业级 LiDAR 可在约 下产生点云。
一旦从 SLAM 算法获取累积到地图坐标系中的点云，便将其离散化为表示机器人周围环境的局部网格。然后对网格的每个单元应用 RANSAC 算法拟合局部平面，作为地形表面的几何参考。
拟合平面后，计算每个点到平面的距离。点靠近平面的分布表示局部平坦地形，而分散分布表示不规则地形。遵循相关研究，我们考虑拟合到点云块的平面的残差。然后，定义点云振动代理 为残差的 RMSE，其中 为用于拟合平面的点数， 为残差：
该值不是振动的直接测量值，而是车辙在通过相应地形区域时可能经历的振动的几何代理。计算出 后，使用实验前选择的固定最小-最大校准进行归一化。最小值设为0，最大值从勉强可通行的区域手动选取。归一化后的预测振动分数记为 ，使得 ，值越高表示预期振动越强、地形越困难。由于该描述符从局部拟合平面的残差计算，它与地形坡度无关。
3.2. 车辙诱发振动频率的辨识
原始 IMU 信号包含地形诱发振动和车辙自身产生的振动。为识别这些车辙诱发分量，在相同速度指令 下进行了两组实验：静止实验（车辙垫高、车轮空转）和运动实验（车辙驶过小石块）。两频谱中均出现的频率峰值归因于车辙，并在计算观测振动分数之前使用陷波带阻滤波器去除。
3.3. 本体振动观测
即使具有精确的外部传感器，预测误差仍然存在，因为点云可能无法完全捕捉影响机器人响应的所有地形属性。例如，地形柔度、松散材料、隐藏障碍物或机器人特定动力学可能影响实测振动，而点云几何无法完全表征。为获得车辙实际经历振动的局部观测，我们使用 IMU 测量的线加速度：
由于 IMU 信号包含第三节-B 中识别的车辙诱发振动频率，这些分量在进一步处理前使用陷波带阻滤波器去除：
我们估计瞬时振动幅度 为滤波后线加速度的 范数，如式(4)所示。这产生一个表示车辙车身整体平动激励的单一信号：
然后如式(5)所示，振动幅度按车辙速度 归一化。由于平台静止时速度可能为零，使用小阈值 避免除零：
接下来，观测振动分数 计算为 在滑动窗口（大小 个 IMU 样本）上的 RMSE，其中 为窗口内信号均值：
最后，对 应用固定最小-最大归一化。与 类似，最小值设为0，最大值在实验前从勉强可通行区域手动选取。归一化后的观测振动分数记为 ，使得 ，值越高表示实测振动越强。
3.4. 在线振动修正
点云振动代理 提供行驶前的估计，而基于 IMU 的分数 提供接触后实际机器人响应的局部观测。由于两个分数均使用固定校准值归一化并共享相同的约定，可以利用局部本体观测在线修正点云预测。
选择 RLS 算法执行此任务，因为它轻量、递归，且能够实时整合新观测。按照相关文献，RLS 算法执行三个主要步骤。第一步计算增益向量，如式(7)所示。遗忘因子设为 ：
其中 为修正中使用的特征向量。实现中使用分母下限以避免数值不稳定。
然后根据式(8)更新参数向量：
其中：
在式(8)中， 表示将外部预测 映射到观测本体振动 的估计修正参数。为提高鲁棒性，实现中包括残差门控、参数裁剪以及检测到数值问题时的小协方差膨胀项。
计算更新参数后，使用式(10)更新协方差矩阵。该协方差矩阵随后用于下一次参数更新：
最后计算修正后的振动分数：
估计参数应用于整个振动代价地图，允许局部 IMU 观测使外部预测适应已测绘地形。得到的修正分数结合了外部地形感知的预测能力与本体振动测量的局部准确性。
4. 实验结果
4.1. 实验设置与环境
机器人平台基于 Leo Rover，配备 Intel RealSense D455、Livox MID360 LiDAR 和 IMU。LiDAR 以 工作，提供 200,000 点/秒，测距 至 ，IMU 以 工作。使用了三个恒定速度指令：、 和 。所有计算在 NVIDIA Jetson Orin 的一个 CPU 核心上执行，无 GPU 加速。
SLAM 算法 RTAB-Map 提供聚合点云和车辙定位。当收到定位更新且车辙到达新网格单元时，触发振动预测算法。
实验在三个环境中进行（图3）：Lunalab（卢森堡大学的月球模拟设施）；Symphony Lake 湖岸（有岩石地形的室外场地）；以及 Walferdange 矿井（具有崎岖地形的长地下环境）。这些环境共同评估了该方法在受控、室外和地下条件下的表现。
图3：实验环境
4.2. 车辙诱发振动频率
使用第三节-B 中描述的频率分析来辨识车辙自身产生的振动分量。图4显示了静止和运动实验中获得的频谱。
静止实验的频谱在 附近显示一个主峰，表明这是由车辙而非地形接触产生的振动分量。该峰在运动实验中同样可见，证实该分量在车辙驶过岩石时也存在。为了将振动分数聚焦于地形诱发的运动，使用式(3)定义的陷波带阻滤波器从原始 IMU 信号中去除该频带。
图4：车辙 IMU 信号的频谱
4.3. 振动预测误差分析
实验结束后，进行了后处理分析以评估振动预测误差。对于每个预测偏移 ，将点云预测 和修正预测 在车辙前方 个网格单元的未来单元处评估。一旦该单元被驶过，将两个预测与基于 IMU 的观测振动分数 进行比较。偏移 随后使用网格分辨率转换为预测距离。
预测误差计算为每个估计与观测振动分数之间的绝对差：
量 和 是评估指标而非物理振动分数。它们分别测量基于 IMU 的观测振动分数与纯点云预测或修正预测之间的绝对误差。
图5显示了平均预测误差随预测距离的变化。在所有环境中，修正预测误差 始终低于纯点云预测误差 。Lunalab 中总体平均误差从 0.091 降至 0.049，Symphony Lake 湖岸从 0.169 降至 0.045，Walferdange 矿井从 0.109 降至 0.082。这分别对应 、 和 的平均改进。因此，修正效果在室外岩石环境中最为显著，而在矿井中改进更为有限，那里地形更不规则且预测距离更长。
图5：平均绝对振动预测误差随预测距离的变化
图6显示了短距离、中距离和长距离带上的预测误差分布。修正预测通常降低了中值误差和离散度，相比纯点云预测。除 Walferdange 矿井中的长距离预测外（修正未改善中值误差），所有距离带上的改进均具有统计显著性。这一结果与长距离样本数减少以及远距离单元点云密度较低一致。关于较长距离误差稳定化的讨论见局限性部分。
图6：短、中、长距离预测上的绝对振动预测误差分布
4.4. 计算时间
选择 RLS 算法基于其轻量级计算特性。为验证这一选择，测量了振动预测流程中每个关键步骤的计算时间，总结于表 I。结果表明，所有处理步骤在 NVIDIA Jetson Orin 的一个 CPU 核心上（无 GPU 加速）均在几毫秒内完成。
表I：计算时间，均值与标准差
表 I 显示在线修正步骤平均仅需 ，约占总计算时间的 。约 的总处理时间与实验中使用的定位触发更新率兼容。这证实了基于 RLS 的修正相比点云处理阶段仅增加较小的计算开销。
5. 局限性
如第四节-C 所述，所提方法对网格分辨率敏感。单元过小可能包含过少的点云样本来可靠估计局部地形几何，而单元过大可能以与机器人响应无关的尺度聚合地形特征。因此，单元大小必须根据机器人足迹和点云密度选择。
第二个限制来自对 SLAM 和点云密度的依赖。定位不准确会影响振动代价地图的一致性，而 LiDAR 点密度在较长预测距离处降低。因此，一些远距离单元可能没有足够点来计算可靠的外部振动预测。这种行为在图5中可见（预测误差在长距离趋于稳定），以及图6中（Walferdange 矿井长距离预测显示修正改进有限）。
所提方法还依赖于用于归一化点云振动代理和 IMU 振动观测的固定校准阈值。这些阈值在实验前从勉强可通行区域选取。虽然这提供了跨数据集一致的评分约定，但对于具有不同形态、车轮设计、悬架或运行速度的车辙，可能需要调整校准。
最后，所提修正依赖于基于点云的振动代理与基于 IMU 的振动观测之间的线性关系。虽然这一选择支持轻量级实时计算，但可能无法捕捉由地形柔度、轮地交互、车辙速度或悬架动力学引起的所有非线性效应。
6. 结论
本工作提出了一种利用外部感知和本体感知的地形诱发机器人振动预测轻量级方法。使用基于点云的几何描述符在行驶前估计初始振动代价，而局部 IMU 测量提供车辙实际经历振动的观测。然后使用 RLS 算法在线自适应该预测，生成修正后的振动代价地图以用于可通行性分析。
实验结果表明，所提修正相比纯点云预测降低了预测误差和误差离散度，同时仅增加少量计算开销。该方法在三个代表性环境中得到验证：月球模拟设施、湖岸和地下矿井。
未来工作将侧重于扩展框架，纳入额外地形特征，如高程、坡度、障碍物信息和地形不连续性，同时保持当前方法的低计算成本。进一步工作还将研究改进的振动模型以及在太空相关模拟环境中的更多现场实验。项目可见于该仓库：https://github.com/Gabryss/RoughSense/tree/ISPARO2026。
本文仅做学术分享，如有侵权，请联系删文。
。
添加微信：cv3d001，备注：姓名+方向+单位，邀请入群。
