隧道是现代交通系统和市政基础设施的关键组成部分，需要严格的结构安全监测和高效的操作维护，以确保公共安全并维持社会经济运行[1]。随着新型城市化进程的加速和交通网络复杂性的增加，隧道检测已经超越了单纯的技术领域，成为基础设施管理数字化转型的战略基石[2]。传统的人工检测方法存在诸多局限性，包括人员进入封闭隧道空间时的安全风险增加、检测精度不足以及空间覆盖密度不够，这些都无法满足当前的维护要求。为了应对对智能自动化的日益增长的需求，隧道检测机器人应运而生，具有显著的优势[3]。这些机器人系统在高效处理空间盲区、通过标准化协议提高检测精度以及实现实时测绘方面表现出色[4]。然而，在地下环境中部署时，检测机器人会遇到全球定位系统（GPS）信号缺失等操作挑战。这一限制促使了同时定位与地图构建（SLAM）技术的应用[5]，该技术通过多传感器集成（如激光雷达和惯性测量单元）[6] [7]实现自主环境感知[8]。SLAM框架能够实现实时3D隧道测绘，并保持高精度的定位，从而提供强大的导航能力[8]。此外，SLAM增强的机器人系统能够在全面隧道检测中实现精确的轨迹跟踪、动态障碍物避让和系统化的缺陷记录[9]。
SLAM技术主要可以分为视觉SLAM和激光雷达SLAM[10]。与视觉SLAM相比，激光雷达SLAM的优势在于能够直接构建密集的点云地图，并提供更广泛的应用范围[11]。目前，激光雷达SLAM的前端组件——激光雷达里程计（LO）通常使用基于点对点或点对平面对应的迭代最近点（ICP）[12]算法来估计两帧点云之间的姿态变换[13]。从根本上说，ICP及其衍生方法依赖于环境中存在的几何特征来进行准确的姿态估计[14]。在具有足够几何约束的场景中，如城市或室内环境，这些方法的精度非常高[15]。然而，在几何结构稀疏且具有显著自相似性的高度非结构化环境中，例如隧道和地铁中（如图1所示），LO系统可能会遇到扫描间不匹配或约束不足的问题[17]。这些问题可能导致六自由度（6-DoFs）姿态估计的某些维度下降，进而影响定位和测绘的准确性[18] [19]。此外，当检测机器人在相对狭窄的隧道内运行时，点云倾向于聚集在机器人两侧的小区域附近，这可能导致姿态的垂直偏移。这两个挑战都会降低机器人的姿态估计精度，最终降低检测效果。
本研究的基本前提是探讨是否可以通过补充的传感器模式来减轻LO的退化。一个直观的解决方案是利用惯性测量单元（IMU）数据。通过加速度计和陀螺仪的测量，高精度的IMU可以部分补偿LO的垂直偏移和退化[22]。然而，在实际应用中，由于传感器噪声的存在，测量误差会随时间累积，导致状态估计精度逐渐下降[23]。因此，IMU提供的信息仅能对LO提供有效的短期补偿[24]。这种固有的限制使得激光雷达-惯性SLAM系统在结构过于规则或感知退化的环境中无法持续运行。
另一种方法是利用视觉信息。传统的视觉-惯性里程计（VIO）在低光照或纹理不足等具有挑战性的环境中难以提取高质量的特征点或实现准确稳定的特征匹配[25]。因此，在这些情况下，传统的VIO跟踪往往会失败[26]。然而，深度学习的进步使得VO系统中的特定模块得到增强，通过将经典几何方法与数据驱动的深度学习技术相结合[27]。例如，预训练的深度神经网络可以替代传统的图像特征提取方法和特征匹配技术[28]。这种融合使得VIO即使在光线昏暗、纹理匮乏的隧道环境中也能为检测机器人提供高精度的姿态估计。
为了满足检测机器人在隧道运营和维护中高精度姿态估计和密集场景测绘的工程需求，本文提出了一种激光雷达-惯性-视觉里程计方法。与为街道和室内空间等通用场景设计的通用多传感器融合SLAM不同，该方法重点关注隧道环境的三个关键特征：（1）隧道中稀疏的几何特征和结构自相似性导致激光雷达里程计退化；（2）昏暗的照明和不足的纹理信息导致传统视觉-惯性里程计失效；（3）隧道检测的实时操作要求。基于这些考虑，本文的主要贡献如下：
(1)提出了一种新的退化检测框架，能够准确确定隧道场景中LO的退化方向；
(2)提出了一种基于深度学习的VIO框架，能够在低纹理隧道环境中稳健地提取和跟踪视觉特征点；
(3)提出了一种条件扩展卡尔曼滤波器（CEKF）数据融合框架，能够在满足实际工程实时要求的同时过滤有效信息。
本文的其余部分组织如下：第2节回顾了多传感器融合SLAM和退化检测算法的相关工作。第3节介绍了结合激光雷达里程计和视觉-惯性里程计的激光雷达-惯性-视觉里程计框架。第4节详细介绍了实验设置并分析了结果。第5节进行了消融研究。最后，第6节总结了本文的工作。
