近日,智能车辆团队论文《Universal LiDAR Odometry and Mapping With Dual Channel Descriptor》在IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS上发表

激光雷达SLAM（同步定位与地图构建）技术是智能车辆高级辅助驾驶的核心支撑，是弥补GNSS在遮挡环境下定位偏差的关键技术，其精度和稳定性直接决定路径规划、车辆控制与环境感知输出结果的可靠性。当下，随着激光雷达成本持续下降，32线、64线、80线旋转式激光雷达及128线固态等激光雷达已被广泛应用于不同级别的智能车辆，但不同型号激光雷达的视场角、分辨率差异显著，导致传统SLAM系统需反复调参适配、跨设备跨场景定位与建图稳定性大幅衰减，亟需具备通用兼容性的高精度SLAM技术支撑产业规模化应用。激光雷达点云具有“近密远疏”的固有特性，且不同型号雷达设备的点云分布规律差异较大，导致传统方法（如LOAM等）难以兼顾通用性与定位精度。现有激光雷达里程计多依赖人工调参的特征提取方法，雷达型号或场景变化后需重新优化参数，存在泛化性不足的问题。同时，激光雷达数据的信息维度较低，传统单通道描述符在回环检测中对平移敏感，无法有效消除累计误差，尤其在城市、郊区、工业园区等复杂场景中稳定性欠佳。如何有效维持智能车辆在不同雷达配置下定位与建图的稳定型，其核心难点在于如何统一不同激光雷达点云表征的同时，保持定位精度，且在低信息密度条件下实现鲁棒的回环检测。

针对上述问题，本研究的核心创新在于从各种类型激光雷达均能捕捉三维空间尺度的共性特征出发，构建通用里程计与双通道描述符结合的SLAM架构：

提出一种通用激光雷达里程计方案，通过体素网格采样技术统一不同激光雷达的点云表征，基于“近密远疏”特性设计动态ICP配准策略，结合运动约束构建多约束优化模型，提升定位精度、稳定性。

提出双通道关联的全局描述符，集成点云最大高度与高度差双特征通道，通过量化映射函数降低平移敏感性，在保持描述符简洁性的同时丰富局部几何信息表达，提升回环检测的精准度，提高建图稳定性。

经KITTI、MULRAN、NCD等公开数据集及自主驾驶平台（ADP）实测验证，该系统展现出卓越的通用性与性能优势：在KITTI基准测试中，相对平均平移误差低至0.59%，单帧处理时间仅40毫秒，位列激光SLAM方法前列；回环检测分数较经典ScanContext方法平均提升3.12%，在车道切换等平移场景中性能提升达17.83%；可泛化至多种类型激光雷达，在郊区无参考物等退化场景下，相对平均平移误差仅0.36%，优于LOAM、CT-ICP、KISS-ICP等主流方法，且在城市、郊区、工业园区等多场景中能保持稳定鲁棒。

该研究揭示了激光雷达点云 “近密远疏” 特性与配准策略的适配机制，为通用型里程计设计提供了理论依据；提出的双通道描述符突破了传统单特征描述符的平移敏感瓶颈，丰富了激光雷达回环检测的特征表达理论；构建的SLAM系统首次实现了从32线到128线等不同类型激光雷达的无参适配，填补了通用高精度激光雷达SLAM技术空白，可为智能车辆规模化部署提供核心技术支撑。

论文作者：张润邦、黄圣杰、常灯祥、刘硕、胡满江、秦晓辉

论文链接：https://ieeexplore.ieee.org/abstract/document/10954274/