摘 要

針對煤礦地面環(huán)境中地形復(fù)雜、動態(tài)障礙物多變及GNSS信號不穩(wěn)定等問題，提出1種基于多傳感器融合與分層動態(tài)點云去除的魯棒定位方法。采用多分辨率深度圖像對比與改進ERASOR算法構(gòu)建靜態(tài)高精度地圖，有效濾除動態(tài)干擾點云。在此基礎(chǔ)上，通過擴展卡爾曼濾波融合自適應(yīng)蒙特卡洛定位、IMU與GNSS傳感器信息，構(gòu)建環(huán)境自適應(yīng)的定位與重定位框架。利用激光雷達匹配與GNSS狀態(tài)監(jiān)測機制實現(xiàn)機器人的異常運動檢測與位姿恢復(fù)。試驗結(jié)果表明，該方法在semindoor 中實現(xiàn)78.1%的動態(tài)點云去除率，并具備良好的重定位響應(yīng)能力，適用于煤礦巡檢及運輸?shù)葢?yīng)用場景。

文章來源：《智能礦山》2025年第11期“礦山機器人技術(shù)創(chuàng)新與實踐特刊”

第一作者：郭宏濤，主要研究方向為煤礦機器人導(dǎo) 航的相關(guān)技術(shù)。 E-mail：1947621749@qq.com

作者單位：煤炭科學(xué)研究總院有限公司； 中煤科工機器人科技有限公司

引用格式：郭宏濤，王雷.融合靜態(tài)地圖構(gòu)建與多源信息感知的煤礦機器人重定位方法研究[J].智能礦山，2025，6(11)：31-40.

點擊文末左下角閱讀原文，免費下載閱讀pdf全文

關(guān)注微信公眾號，了解更多礦山智能化建設(shè)進展

煤礦地面環(huán)境具有地形復(fù)雜、動態(tài)障礙物多變以及GNSS信號不穩(wěn)定等特點，對機器人的精確定位提出了特殊要求。為實現(xiàn)煤礦地面機器人在巡檢、運輸?shù)热蝿?wù)中的可靠定位，需要解決動態(tài)環(huán)境下的定位技術(shù)難題。近年來，基于激光雷達、視覺傳感器和慣性測量單元的多源信息融合定位方法，為解決上述問題提供了可行的技術(shù)路徑。其中，動態(tài)點云去除技術(shù)能夠有效減少車輛、人員等動態(tài)物體的干擾影響。

目前動態(tài)點云去除主要分為在線處理和后處理2種技術(shù)路線。在線處理方法雖能實時更新環(huán)境地圖，但在大范圍場景下存在計算效率瓶頸。相比之下，后處理方法通過SLAM技術(shù)構(gòu)建全局地圖后，再通過時序比對實現(xiàn)動態(tài)點云濾除，能夠提供更完整的環(huán)境表征。然而，針對煤礦地面特有的半結(jié)構(gòu)化特征，仍需開發(fā)更具適應(yīng)性的融合定位算法。

在煤礦地面環(huán)境中，機器人需要同時在復(fù)雜半結(jié)構(gòu)化環(huán)境的高精度定位和開闊區(qū)域的全局位姿估計。自適應(yīng)蒙特卡洛定位（AMCL）方法在結(jié)構(gòu)化環(huán)境中表現(xiàn)優(yōu)異，但在開闊場地易因特征缺失導(dǎo)致定位失效；AMCL在初始位姿未知或遭遇綁架問題時，傳統(tǒng)的全局重采樣策略收斂效率較低。

針對上述問題，筆者提出了一種融合后處理點云優(yōu)化和多傳感器數(shù)據(jù)融合的定位框架。采用改進的ERASOR算法實現(xiàn)動態(tài)點云的層級濾除，構(gòu)建高精度靜態(tài)地圖。在此基礎(chǔ)上，通過擴展卡爾曼濾波（EKF）算法融合多傳感器數(shù)據(jù)，利用協(xié)方差矩陣實時評估各傳感器數(shù)據(jù)可靠性，動態(tài)調(diào)整融合策略，并結(jié)合激光雷達掃描匹配與GNSS監(jiān)測解決多場景下的重定位問題。

煤礦機器人定位系統(tǒng)主要框架

采用層次化架構(gòu)解決動態(tài)環(huán)境下的建圖以及機器人重定位問題。系統(tǒng)首先通過激光SLAM構(gòu)建初始地圖，經(jīng)過地圖數(shù)據(jù)轉(zhuǎn)換等預(yù)處理后，采用兩階段動態(tài)點云去除策略：基于多分辨率深度圖像對比的粗識別和改進區(qū)域占用描述子的精去除，最終生成靜態(tài)環(huán)境地圖。在定位階段，通過激光雷達掃描匹配以及GNSS監(jiān)測機制，在多場景為AMCL提供初始定位與重定位，通過EKF融合方法的自適應(yīng)權(quán)重分配，利用場景傳感器數(shù)據(jù)特征動態(tài)調(diào)整IMU、GNSS等傳感器數(shù)據(jù)的融合權(quán)重，煤礦機器人定位系統(tǒng)組成框架如圖1所示。

圖1 煤礦機器人定位系統(tǒng)組成框架

（1）SLAM技術(shù)建圖與地圖數(shù)據(jù)處理

采取常規(guī)SLAM方法如SC-LIOSAM、fastlio獲取環(huán)境的PCD點云地圖與查詢幀地圖，并結(jié)合位姿數(shù)據(jù)對PCD文件增加VIEWPOINT關(guān)鍵字用于后續(xù)對比識別處理。

（2）動態(tài)點云初步識別

由于多分辨率深度圖像對比識別方法識別動態(tài)點準確率較高，但識別數(shù)量占比較低，因此利用其特點進行初步處理。

（3）改進ERASOR算法精細動態(tài)點云去除

ERASOR算法本身具有很高的去除率，但是對靜態(tài)點云有較多的誤刪情況，結(jié)合步驟（2）的識別結(jié)果動態(tài)調(diào)整判定條件，增加綜合性能指標。

（4）激光雷達掃描與AMCL聯(lián)合定位

結(jié)合靜態(tài)地圖柵格，利用AMCL與EKF融合多傳感器完成基于地圖的定位，并通過激光雷達掃描匹配方法，解決豐富特征場景下的機器人“綁架”與重定位問題。

（5）開闊場景下GNSS輔助重定位與AMCL聯(lián)合定位

根據(jù)GNSS信號質(zhì)量評估結(jié)果與基于里程計和AMCL的位置檢測機器人異常移動，結(jié)合EKF融合多傳感器，解決機器人“綁架”與重定位問題。

基于分層動態(tài)點云去除的先驗地圖構(gòu)建

動態(tài)點云去除部分主要分為基于多分辨率深度圖像對比識別的粗標記和基于粗標記的改進ERASOR算法2部分。

2.1 基于多分辨率深度圖像對比的動態(tài)初步標記

（1）利用激光雷達掃描數(shù)據(jù)及其對應(yīng)的位姿，通過SLAM技術(shù)構(gòu)建初步的點云地圖。然后將該點云地圖與激光雷達掃描數(shù)據(jù)投影至二維深度圖像，即以矩陣形式表達點云分布，其中像素值由點到傳感器的距離填充，作為深度信息。在高分辨率下，對深度點云地圖與深度掃描圖像進行像素級對比，若深度差值超過預(yù)設(shè)閾值，則初步標記對應(yīng)點為動態(tài)點，并賦予強度值1，否則標記為0，形成初始的動態(tài)與靜態(tài)點云分割，基于多分辨率深度圖像的動態(tài)點云初步標記算法如圖2所示。

圖2 基于多分辨率深度圖像的動態(tài)點云初步標記算法

（2）基于多分辨率深度圖像的理論特性，系統(tǒng)從高分辨率逐步過渡至低分辨率；并利用不同分辨率下深度圖像呈現(xiàn)的點云細節(jié)差異，重新評估被標記為動態(tài)的點云。通過降低分辨率，擴大像素覆蓋范圍，緩解高分辨率下因邊界歧義或位姿誤差導(dǎo)致的靜態(tài)點誤刪問題，恢復(fù)部分被錯誤去除的靜態(tài)點。為提高處理效率，采用批量處理方式，將多幀掃描數(shù)據(jù)同步與地圖對比，增強動態(tài)點識別的魯棒性，最終生成包含初步動態(tài)點標記的先驗地圖。該方法依托多分辨率對比與批處理的雙重理論優(yōu)勢，確保靜態(tài)地圖構(gòu)建的精度與完備性。

2.2 基于標記的自適應(yīng)ERASOR算法優(yōu)化方法

（1）基于標記方法生成的點云地圖與激光雷達掃描數(shù)據(jù)，首先通過定義感興趣區(qū)域篩選可能包含動態(tài)物體的點云范圍，以降低計算復(fù)雜度。

（2）采用Scan Context的柵格劃分方式，將VOI內(nèi)的點云數(shù)據(jù)分配至空間單元，形成規(guī)則的徑向和方位網(wǎng)格。針對每個柵格，引入偽占用率描述點云的空間占用狀態(tài)，具體通過計算地面以上點云的高度差量化單元內(nèi)的垂直分布特性。

（3）利用查詢幀點云與地圖點云的偽占用率比率，與基于標記結(jié)果的高度分布特征自適應(yīng)調(diào)整的閾值進行比較。若比率小于該閾值，則判定該柵格為潛在動態(tài)區(qū)域，反映動態(tài)物體與地面接觸導(dǎo)致的占用差異。在識別出的潛在動態(tài)區(qū)域內(nèi)，應(yīng)用區(qū)域式地面平面擬合方法（R-GPF），通過最低高度種子點估計局部地面平面，提取靜態(tài)地面點并將其回退至地圖，去除平面以上的動態(tài)點，基于自適應(yīng)ERASOR算法的動態(tài)點云去除算法如圖3所示。R-GPF的單元化操作適應(yīng)非平面地面環(huán)境，提升靜態(tài)點保留精度。

圖3 基于自適應(yīng)ERASOR算法的動態(tài)點云去除算法

（4）輸出去除了動態(tài)痕跡的干凈靜態(tài)地圖，為機器人定位與導(dǎo)航任務(wù)提供可靠支持。

基于激光雷達與GNSS的多環(huán)境魯棒定位與重定位方法

為提高機器人在具有結(jié)構(gòu)化與開闊區(qū)域的異構(gòu)環(huán)境中的定位魯棒性，提出了1種集成多策略的混合定位框架。該框架融合了2種針對特定環(huán)境挑戰(zhàn)且互補的重定位策略，應(yīng)對不同場景下的定位問題。

（1）針對具有豐富幾何特征但GNSS信號缺失或退化的結(jié)構(gòu)化場景（如室內(nèi)廊道），采用基于激光雷達掃描匹配的全局重定位策略，以應(yīng)對“機器人綁架”等全局定位問題。

（2）在相對開闊、激光雷達特征稀疏或退化的場景中，且GNSS信號穩(wěn)定的情況下，采用GNSS輔助的定位監(jiān)測與快速重定位策略，糾正大規(guī)模的定位漂移并恢復(fù)系統(tǒng)失效后的定位能力。

上述雙策略架構(gòu)依托第二節(jié)構(gòu)建的高精度靜態(tài)地圖作為統(tǒng)一的先驗地圖，并通過共享的擴展卡爾曼濾波（EKF）后端進行多傳感器數(shù)據(jù)融合，確保機器人運動軌跡的連續(xù)性與平滑性。

3.1 基于掃描特征匹配的全局重定位

基于先驗地圖的機器人定位系統(tǒng)采用AMCL算法框架，通過粒子濾波實現(xiàn)激光雷達觀測數(shù)據(jù)與先驗地圖的概率匹配。AMCL算法通過重要性采樣和重采樣機制迭代更新位姿估計，但在實際應(yīng)用中面臨2個關(guān)鍵性挑戰(zhàn)。

（1）在初始位姿未知或遭遇“綁架”問題時，采用全局隨機初始化粒子分布策略，會導(dǎo)致算法收斂速度顯著降低。

（2）在環(huán)境特征稀疏或具有高度對稱性的場景下，粒子濾波容易陷入局部最優(yōu)解，嚴重影響定位精度。

針對上述問題，引入全局位姿探測器模塊的創(chuàng)新解決方案。該模塊首先通過ORB特征提取算法從激光雷達點云數(shù)據(jù)中提取顯著特征，隨后采用RANSAC算法實現(xiàn)特征匹配與位姿估計的魯棒性計算。為量化評估候選位姿的可靠性，引入F1評分機制對每個可能位置的匹配度進行精確度量，最終選擇最優(yōu)匹配結(jié)果作為AMCL算法的初始粒子分布，提升算法的收斂效率。

為進一步優(yōu)化位姿估計的連續(xù)性和運動平滑性，系統(tǒng)采用擴展卡爾曼濾波EKF框架實現(xiàn)多傳感器數(shù)據(jù)融合。系統(tǒng)以慣性測量單元的角速度和加速度測量作為狀態(tài)預(yù)測輸入，同時將AMCL輸出的全局一致位姿估計作為觀測更新項。通過動態(tài)調(diào)整過程噪聲和觀測噪聲的協(xié)方差矩陣，實現(xiàn)傳感器貢獻度的自適應(yīng)平衡，達到軌跡平滑優(yōu)化的目的。在系統(tǒng)運行過程中，通過持續(xù)迭代更新直至位姿估計達到穩(wěn)定收斂狀態(tài)，最終輸出具有高精度特性的定位結(jié)果。

3.2 GNSS輔助的狀態(tài)監(jiān)測與快速重定位

在開闊環(huán)境中，GNSS 能提供穩(wěn)定的全局位姿信息，為定位系統(tǒng)提供初始參考。采用EKF融合 IMU 與輪式里程計數(shù)據(jù)，實現(xiàn)機器人狀態(tài)的連續(xù)預(yù)測。EKF 利用系統(tǒng)運動模型對狀態(tài)進行先驗估計，并結(jié)合預(yù)測誤差與觀測誤差的協(xié)方差計算卡爾曼增益，以更新狀態(tài)估計。

基于已知環(huán)境地圖的AMCL被用于提供高精度的位姿觀測。AMCL 通過粒子濾波方法匹配當前激光掃描與預(yù)先構(gòu)建的地圖，輸出位姿估計及其協(xié)方差，用于對 EKF 狀態(tài)的校正。

GNSS 不直接參與濾波器的狀態(tài)更新，在系統(tǒng)初始化階段用于提供初始全局位姿。GNSS 被用于運行過程中的狀態(tài)監(jiān)測。通過綜合分析輪式里程計推算的位姿變化、AMCL 輸出的協(xié)方差及 GNSS 信號質(zhì)量，實現(xiàn)異常狀態(tài)檢測。當檢測到機器人發(fā)生異常移動或定位失效時，系統(tǒng)觸發(fā)重定位機制，利用 GNSS 當前的位姿估計重新初始化 AMCL 粒子集，以恢復(fù)系統(tǒng)定位能力。

通過將 IMU 與輪式里程計的短時精度、AMCL 的地圖匹配能力以及 GNSS 的全局參考特性有機結(jié)合，可實現(xiàn)對機器人位姿的魯棒估計，并具備重定位能力，多場景定位算法流程如圖4所示。

圖4 多場景定位算法流程

煤礦機器人定位系統(tǒng)測試與結(jié)果分析

4.1 動態(tài)點云去除與定位測試環(huán)境及方案

利用支持livox avia激光雷達的Fastlio去完成初步的建圖，并修改代碼使其能夠保存VIEWPOINT關(guān)鍵字的PCD文件用于動態(tài)點云的處理算法獲取先驗地圖。接下來將干凈的點云地圖進行二維柵格化處理，用于后續(xù)AMCL重定位及EKF融合多傳感器，動態(tài)點云的處理需要SLAM算法獲取先驗點云地圖與激光雷達掃描如圖5所示。

圖5 激光雷達單幀掃描

使用蒙迪歐轎數(shù)據(jù)采集車輛如圖6所示，搭載livox avia激光雷達采集沈陽渾南大道工廠附近周邊環(huán)境的數(shù)據(jù)，并結(jié)合gazebo仿真環(huán)境進行試驗驗證。為定量評估動態(tài)點云去除方法的性能，使用semindoor數(shù)據(jù)集提供的真值點云作為基準。

圖6 數(shù)據(jù)采集車輛

4.2 動態(tài)點云去除效果驗證

人工標注的原始點云數(shù)據(jù)semindoor場景動態(tài)點云去除如圖7所示，其中白色部分代表人工標記的動態(tài)物體產(chǎn)生的點云，動態(tài)點云在原始地圖中引入了明顯的干擾，影響了環(huán)境特征的提取及定位精度。使用此方法處理后的結(jié)果如圖7a。由于算法在處理前對地圖進行了體素化和下采樣，整體點云的密度低于真值點云。

圖7 semindoor場景動態(tài)點云去除

通過對比圖中算法識別并標記為白色的動態(tài)點云與真值標注的動態(tài)點云，識別出動態(tài)點云區(qū)域與真值標注高度一致。經(jīng)過與真值數(shù)據(jù)的定量比較，筆者的方法成功去除了78.1%的動態(tài)點云，同時靜態(tài)點云保留率達83.4%。動態(tài)點云去除效果提升了靜態(tài)地圖的準確性，為后續(xù)的機器人定位和導(dǎo)航任務(wù)提供了更加可靠的地圖數(shù)據(jù)支持。

車輛采集的渾南大道動態(tài)點云去除結(jié)果如圖8所示，選取前1 000幀作為試驗樣本。場景包括高架橋、車輛、路邊的樓房、路燈等，環(huán)境相對復(fù)雜。經(jīng)算法處理后，觀察到系統(tǒng)對多數(shù)動態(tài)點云（包括車輛、行人等移動物體產(chǎn)生的鬼影）實現(xiàn)了有效識別并完成去除。算法的單幀平均處理時間為220 ms。本研究采用后處理方式對實時性要求較低，但針對大范圍場景的點云處理需求，可通過多幀點云累積和批量處理策略進一步提升處理效率。

圖8 車輛采集的渾南大道動態(tài)點云去除結(jié)果

4.3 異常狀態(tài)檢測與重定位系統(tǒng)測試

為了方便模擬機器人的“綁架”場景，測試重定位方法的效果，采用gazebo仿真煤礦地面場景存在的相對封閉和開放環(huán)境。場景內(nèi)包括傳送帶、煤堆、移動的車輛、室內(nèi)運動的行人、非平坦的地面等物體，gazebo煤礦地面仿真場景如圖9所示。

圖9 gazebo煤礦地面仿真場景

fastlio建圖結(jié)果如圖10所示，建立環(huán)境3維地圖，圖中綠色圓圈部分為場景中的車輛和行人移動在最終建圖中留下的鬼影，直接?xùn)鸥窕瘯?dǎo)致地圖出現(xiàn)大量不屬于環(huán)境本身的特征。

圖10 fastlio建圖結(jié)果

仿真建圖動態(tài)點云去除如圖11所示，觀察對比圖中紅色部分、fastlio建圖結(jié)果與仿真場景，地圖中動態(tài)物體所遺留的鬼影點云基本去除。部分靜態(tài)物體誤識別為動態(tài)是由于fastlio本身缺少回環(huán)檢測，點云地圖誤差累計，此方法在識別判定對比查詢幀點云與先驗地圖時被影響從而誤識別。將動態(tài)點云去除后的干凈地圖二維柵格化，仿真場景二維柵格化地圖如圖12所示，用于多傳感器融合定位。

圖 11 仿真建圖動態(tài)點云去除

圖 12 仿真場景二維柵格化地圖

（1）激光雷達掃描匹配下的重定位驗證

將二維柵格化的地圖用于AMCL定位，在gazebo中強制平移機器人后，觸發(fā)重定位流程， 激光雷達掃描匹配重定位如圖13所示，圖13a為機器人在當前未知位姿下采集的真實激光雷達掃描圖像，顯示出清晰的結(jié)構(gòu)邊界，有利于幾何特征的提取；圖13b為在地圖基礎(chǔ)上、針對候選位姿生成的仿真激光掃描結(jié)果，作為匹配參照；圖13c為將真實掃描數(shù)據(jù)根據(jù)當前估計位姿變換至地圖坐標系下的投影，用以直觀反映估計姿態(tài)與地圖結(jié)構(gòu)之間的幾何一致性。

圖 13 激光雷達掃描匹配重定位

圖13d—圖13f像進一步展示了從候選生成到最終位姿確定的全過程。圖13d為真實掃描與仿真掃描的重疊圖，其中紅色點表示實際掃描點在估計位姿下變換后的坐標位置，點云之間具備較高的空間一致性，反映了較好的匹配質(zhì)量；圖13e展示了候選區(qū)域（紅色邊界）與采樣位姿點（綠色點）的空間分布，候選區(qū)域由地圖特征顯著性信息生成，采樣點則覆蓋該區(qū)域內(nèi)可能的位姿解。系統(tǒng)采用F1分數(shù)對各候選位姿進行匹配度量與排序，選取評分最優(yōu)者作為AMCL 粒子濾波的初始化中心，實現(xiàn)重定位；圖13f為最終估計位姿在全局地圖上的可視化結(jié)果，紅色標記點與環(huán)境結(jié)構(gòu)邊界保持高度對齊，表明估計結(jié)果具有較高的精度與穩(wěn)定性。機器人實際位置如圖14所示。

圖 14 機器人實際位置

為量化系統(tǒng)的重定位性能，激光雷達重定位量化試驗位置如圖15所示，分別在A、B、C3處各進行10次重定位試驗，激光雷達重定位量化試驗誤差結(jié)果如圖16所示。結(jié)果表明：每處試驗中平均有2～3次出現(xiàn)較大定位誤差，依靠機器人自身移動引發(fā)的AMCL粒子重新分布，粒子權(quán)重能夠逐步收斂至真實位置，最終實現(xiàn)可靠的重定位。

圖15 激光雷達重定位量化試驗位置

圖16 激光雷達重定位量化試驗絕對誤差結(jié)果

（2）GNSS與AMCL位置監(jiān)測重定位

為了驗證系統(tǒng)在開闊空間機器人異常運動狀態(tài)下的重定位能力，在Gazebo仿真環(huán)境中設(shè)置機器人初始位姿，并開啟“綁架”檢測模塊。該模塊實時監(jiān)測以下2類指標：基于輪式里程計推算的位姿與AMCL當前位姿之間的歐式距離；AMCL輸出的協(xié)方差指標。當檢測到機器人位姿變化超過設(shè)定閾值（設(shè)為 7.0 m），或AMCL 協(xié)方差超過設(shè)定閾值（1.0），并且GNS信號質(zhì)量滿足設(shè)定標準時，系統(tǒng)將觸發(fā)重定位流程。

機器人“綁架”檢測與GPS重定位界面如圖17所示，在模擬機器人被外力“綁架”后，輪式里程計推算的位姿與 AMCL 估計結(jié)果出現(xiàn)顯著偏差（8.18 m），系統(tǒng)識別該異常狀態(tài)后，根據(jù)當前 GNSS 提供的全局位姿重新初始化AMCL 粒子集，實現(xiàn)快速重定位。日志信息顯示系統(tǒng)成功檢測到位姿異常，并在滿足重定位觸發(fā)條件后，依據(jù) GNSS 發(fā)布新的 AMCL 初始位姿。

圖17 機器人“綁架”檢測與GPS重定位界面

為量化GPS的重定位性能，GPS重定位量化試驗如圖18所示，分別在A、B、C三處進行重定位試驗，每處重復(fù)試驗10次，GPS重定位量化試驗誤差結(jié)果如圖19所示。結(jié)果顯示，A點由于處于相對開闊的環(huán)境中，無明顯遮擋，因此在X軸和Y軸方向上的絕對誤差均較小，穩(wěn)定性良好；B點與C點因鄰近墻體或障礙物，Y軸誤差顯著高于X軸，表明該方向的信號受遮擋影響更為明顯。

圖18 GPS重定位量化試驗

圖19 GPS重定位量化試驗誤差結(jié)果

盡管少量試驗中存在較大誤差，但整體誤差水平仍處于可接受范圍。通過后續(xù)機器人移動帶來的AMCL粒子云的再分布與收斂，系統(tǒng)最終均能完成有效重定位，驗證了該方法在不同場景下的穩(wěn)健性與適應(yīng)性。

總 結(jié)

（1）采用分層的多分辨率深度圖像對比的粗識別與基于改進ERASOR算法的精細去除，在可評估數(shù)據(jù)集上達到78.1%的動態(tài)點去除率與83.4%的靜態(tài)點保留率，可生成干凈的靜態(tài)地圖用于定位和規(guī)劃。

（2）多源融合定位方案通過激光雷達點云與先驗地圖的特征匹配，結(jié)合GNSS定位數(shù)據(jù)，實現(xiàn)了自適應(yīng)蒙特卡洛定位（AMCL）的自動初始化，并有效解決了機器人“綁架”"與重定位問題，實際測試表明，該方案在封閉室內(nèi)環(huán)境和開闊室外場景均表現(xiàn)出穩(wěn)定的定位性能。

（3）當前系統(tǒng)在室內(nèi)外場景切換時仍存在流暢性問題，傳感器融合權(quán)重主要依賴擴展卡爾曼濾波（EKF）的協(xié)方差矩陣自動調(diào)整。后續(xù)研究需要重點優(yōu)化定位場景切換機制以及基于環(huán)境特征（煤礦地面的室內(nèi)外、露天礦等）的動態(tài)權(quán)重分配策略。

編輯丨李莎

審核丨趙瑞

煤炭科學(xué)研究總院期刊出版公司擁有科技期刊21種。其中，SCI收錄1種，Ei收錄5種、CSCD收錄6種、Scopus收錄8種、中文核心期刊9種、中國科技核心期刊11種、中國科技期刊卓越行動計劃入選期刊4種，是煤炭行業(yè)最重要的科技窗口與學(xué)術(shù)交流陣地，也是行業(yè)最大最權(quán)威的期刊集群。

期刊簡介

《智能礦山》（月刊，CN 10-1709/TN，ISSN 2096-9139）是由中國煤炭科工集團有限公司主管、煤炭科學(xué)研究總院有限公司主辦的聚焦礦山智能化領(lǐng)域產(chǎn)學(xué)研用新進展的綜合性技術(shù)刊物。

主編：王國法院士

刊載欄目：企業(yè)/團隊/人物專訪政策解讀視角·觀點智能示范礦井對話革新·改造學(xué)術(shù)園地、專題報道等。

投稿網(wǎng)址：www.chinamai.org.cn（期刊中心-作者投稿）

?? 征稿函詳見鏈接： 征稿┃《智能礦山》面向廣大讀者征稿，歡迎投稿

期刊成果：創(chuàng)刊5年來，策劃出版了“中國煤科煤礦智能化成果”“陜煤集團智能化建設(shè)成果”“聚焦煤炭工業(yè)‘十四五’高質(zhì)量發(fā)展”等特刊/專題30多期。主辦“煤礦智能化重大進展發(fā)布會”“煤炭清潔高效利用先進成果發(fā)布會”“《智能礦山》理事、特約編輯年會暨智能化建設(shè)論壇”“智能礦山零距離”“礦山智能化建設(shè)運維與技術(shù)創(chuàng)新高新研修班”等活動20余次。組建了理事會、特約編輯團隊、卓越人物等千余人產(chǎn)學(xué)研用高端協(xié)同辦刊團隊，打造了“刊-網(wǎng)-號-群-庫”全覆蓋的1+N全媒體傳播平臺，全方位發(fā)布礦山智能化領(lǐng)域新技術(shù)、新產(chǎn)品、新經(jīng)驗。

?? 具體詳見鏈接：《智能礦山》創(chuàng)刊5周年回顧

聯(lián)系人：李編輯 010-87986441

郵發(fā)代號：82-476

?? 期刊訂閱詳見鏈接：歡迎訂閱┃《智能礦山》雜志2026年訂閱開始了！

往期薦讀

• 重磅通知┃關(guān)于召開煤炭無人化開采數(shù)智技術(shù)研討暨重大進展發(fā)布會的通知(2026年1月9—11日北京)

• 行業(yè)聚焦┃2025年礦山智能化建設(shè)運維與技術(shù)創(chuàng)新高級研修班成功在威海舉辦

• 行業(yè)聚焦┃2025智慧礦山技術(shù)創(chuàng)新與產(chǎn)業(yè)發(fā)展論壇（新疆）成功召開

• 行業(yè)聚焦┃2024年煤炭清潔高效利用智能化成果發(fā)布暨選煤廠智能化建設(shè)論壇順利召開

• 征稿┃《智能礦山》面向廣大讀者征稿，歡迎投稿

• 歡迎訂閱┃《智能礦山》雜志2026年訂閱開始了！

• 行業(yè)聚焦┃2024年煤礦智能化重大進展發(fā)布會成功召開

• 《智能礦山》創(chuàng)刊5周年回顧

• 王國法院士煤礦智能化觀點集錦

• 新書訂閱 ┃《中國煤礦智能化發(fā)展報告（2024年）》（王國法，劉峰 主編）

• 訂閱┃探秘太陽石的奧秘 呈現(xiàn)煤的真身：太陽石系列科普叢書重磅發(fā)售

往期特刊

中國煤科特刊

陜煤集團特刊

神東專欄

重大進展特刊

露天礦特刊

理事單位特刊

紅柳林煤礦特刊

創(chuàng)新技術(shù)特刊

創(chuàng)刊號

版權(quán)聲明

本刊對已出版文章持有電子版、網(wǎng)絡(luò)版及進行網(wǎng)絡(luò)技術(shù)交流和與各網(wǎng)絡(luò)數(shù)據(jù)庫合作的權(quán)利，稿酬一次性付清，版權(quán)歸本刊與作者共同所有，如不同意，請在投稿時聲明。

---

聲明：本文系轉(zhuǎn)載自互聯(lián)網(wǎng)，請讀者僅作參考，并自行核實相關(guān)內(nèi)容。若對該稿件內(nèi)容有任何疑問或質(zhì)疑，請立即與鐵甲網(wǎng)聯(lián)系，本網(wǎng)將迅速給您回應(yīng)并做處理，再次感謝您的閱讀與關(guān)注。