LAMP: Large-Scale Autonomous Mapping and Positioning for Exploration of Perceptually-Degraded Subterranean Environments

地下环境SLAM技术经过二十余年的发展，逐步从视觉、激光和多传感器融合的方案演变而来。早期工作如Thrun等的地下矿山映射算法，主要依赖二维扫描匹配，受限于环境复杂性。近年来，激光雷达的高精度和360度视场使得三维SLAM成为主流，代表性系统包括LOAM、Cartographer等，已在复杂环境中取得一定成功。然而，地下场景中的感知噪声、重复结构和长距离无特征区域仍是难点，导致漂移和误闭环频发。多机器人系统的引入，极大提升了地图覆盖效率，但闭环检测的鲁棒性仍需突破。本文在此基础上，结合ICM算法，提出更鲁棒的闭环识别机制，提升了大规模地下环境中的SLAM性能。

地下SLAM的核心难题在于感知环境的复杂性和闭环误识别。长距离无明显特征的隧道、重复的结构以及感知噪声导致漂移和闭环误判，严重影响地图的准确性。传统方法在大规模环境中容易出现误闭环，造成地图畸变，限制了自主导航和任务执行的可靠性。如何在复杂、感知受限的地下环境中实现高精度、多机器人协同的自主建图，是当前研究的瓶颈。

本研究的创新点包括：1）引入基于scan-to-submap匹配的激光雷达前端，显著提升运动估计的鲁棒性；2）结合ICM算法，自动剔除闭环检测中的异常闭环，减少误识别；3）采用中心化多机器人架构，实现跨机器人地图融合与闭环检测，支持大规模环境的高效探索；4）支持多传感器融合，增强系统在复杂环境中的适应能力。这些创新突破了现有SLAM系统在地下场景中的局限，显著提升了地图精度和系统鲁棒性。

• �� 激光雷达前端：使用GICP算法进行scan-to-scan匹配，结合scan-to-submap匹配提高精度；• 闭环检测：在邻近区域内匹配当前扫描与历史扫描，利用fitness score筛选潜在闭环；• Outlier剔除：引入ICM算法，基于相互一致性筛除误识别的闭环，确保闭环的可靠性；• 多机器人融合：中心化架构下，将各机器人局部地图通过pose graph优化融合，利用人工干预增强闭环识别；• 系统实现：在DARPA地下挑战中实地测试，验证闭环成功率和地图误差控制效果。

在六个地下矿井环境中进行实地测试，覆盖距离超过1400米，使用Velodyne Puck激光雷达和RGB-D相机。评估指标包括闭环检测成功率、地图误差、漂移率和系统鲁棒性。实验中对比scan-to-scan与scan-to-submap匹配效果，验证后者在漂移控制中的优势。引入ICM后，误识别率降低20%，地图畸变显著减少。多机器人实验中，融合地图误差降低至0.15米，验证系统在大规模环境中的扩展能力。

系统在DARPA地下挑战隧道赛段中实现闭环成功率达95%以上，地图误差控制在0.2米以内，显著优于传统SLAM方案。多机器人融合后，轨迹误差降低30%，地图连续性和一致性得到保障。引入ICM算法后，误识别闭环减少20%，地图畸变明显减轻。系统支持多传感器融合，增强了在复杂环境中的适应性，验证了其在极端地下场景中的实用性。

该系统适用于地下救援、矿产资源勘探、隧道监测及外星地下环境探索。无需GPS，依赖激光雷达和多传感器融合，支持多机器人协作，具备高精度和鲁棒性。未来可扩展至大规模地下网络，助力无人自主探索未知复杂环境。

在极端低反射或水汽浓厚的环境中，激光雷达性能下降，影响闭环检测效果。通信不稳定时，数据融合受限，影响多机器人协作。复杂地形中的遮挡和重复结构仍可能引发误识别，需引入更鲁棒的特征提取和匹配技术。未来需结合IMU和深度学习，提升系统的适应性与鲁棒性。