Environment-Adaptive Solid-State LiDAR-Inertial Odometry
具備環境適應力的新型固態光達慣性里程計，透過法向量約束與退化感知地圖更新，將嚴苛場景下的最大定位誤差大幅降低 32.5%。
- 導入局部法向量角度約束，有效解決光達在平坦或幾何特徵稀疏場景中的姿態可觀測性問題。
- 透過分析 Hessian 矩陣條件數與角度殘差，系統能無運算負擔地即時量化環境退化程度。
- 退化感知體素更新機制可阻絕低品質測量污染全域地圖，在極端序列中將最大誤差縮減至 1.942 公尺。
在極端與幾何退化環境中，固態光達與慣性導航系統的定位精度往往面臨嚴峻挑戰。最新研究提出一種具備環境適應能力的固態光達慣性里程計，透過導入局部法向量約束與退化感知地圖維護機制，成功將基準測試中的平均均方根誤差（RMSE）最高降低了 12.8%。這項技術不僅解決了惡劣場景下的定位漂移問題，更在最大誤差指標上實現了高達 32.5% 的顯著降幅，為自主導航系統提供了更可靠的建圖方案。
固態光達 SLAM 在極端退化環境的雙重挑戰
自主機器人與自動駕駛高度仰賴 SLAM（同步定位與建圖） 技術。相較於容易受光照影響的視覺 SLAM，結合光達（LiDAR）與 IMU（慣性測量單元） 的 LIO（光達慣性里程計）系統在大型複雜場景中表現更為穩定。其中，固態光達憑藉掃描速度快與低成本優勢，成為近年如 FAST-LIO 等主流系統的核心感測器。
然而，當系統進入缺乏幾何特徵的退化環境（如空曠草地、長廊或密集樹林）時，傳統點對面（point-to-plane）距離指標往往無法精確捕捉環境特徵，導致嚴重的定位漂移。此外，多數現有方法過度專注於前端狀態估計，卻忽視了歷史地圖品質對後續定位的影響。一旦低品質的觀測數據寫入歷史地圖，將對後續定位精度造成無法逆轉的連鎖破壞。
導入局部法向量約束強化 3D 幾何一致性
為突破幾何特徵不足的瓶頸，研究團隊在傳統的點對面殘差之外，創新導入了局部法向量角度約束（Normal-Vector Angle Constraints）。該機制的設計靈感來自於，即便在感測器雜訊干擾或點雲稀疏的情況下，延伸平面區域的表面法向量仍具有極強的方向穩定性。
系統會先估計同一點周圍不同半徑區域內的局部表面法線，接著將當前光達掃描點轉換至全域地圖中，計算其方向向量與參考平面法向量之間的角度差異。這些微小的角度差異被視為旋轉微擾，並透過一階近似模型無縫整合至最大後驗機率（MAP）最佳化框架中。這項擴充使得里程計能更明確地利用環境結構資訊，大幅提升在平坦或重複性幾何場景中的姿態可觀測性。
基於 Hessian 矩陣與角度殘差的環境退化評估
要防止錯誤數據污染地圖，系統必須先具備即時評估數據可靠度的能力。在 MAP 狀態估計中，環境退化通常表現為 Hessian 矩陣（用於描述多變數函數局部曲率的方陣）的條件數變差。研究團隊並未引入額外耗時的啟發式指標，而是直接分析最佳化過程中累積的 Hessian 矩陣。
演算法將矩陣分割為旋轉與平移兩個子區塊，透過奇異值分解（SVD）計算最大與最小奇異值的比例，進而將其映射為介於 0 到 1 之間的可觀測性分數。同時，系統會計算所有有效匹配點的平均角度殘差，轉換為角度穩定性分數。最終，系統將結構穩定性與角度穩定性融合，形成統一的「退化分數」（Degeneration Score）。由於 Hessian 矩陣本就存在於最佳化過程中，這項評估機制幾乎不增加額外的系統運算負擔。
阻絕誤差蔓延的退化感知 Voxel 地圖更新機制
掌握了即時退化分數後，系統進而採用退化感知體素（Voxel）地圖更新策略。傳統系統無論觀測品質好壞，往往會盲目將新點雲累積至全域地圖中；新策略則根據歷史信心水準與當前數據品質動態調節更新頻率。
當系統偵測到退化分數低於全域預設閾值時，會直接觸發保護機制，完全拒絕將當前掃描數據寫入地圖，從根本上切斷巨大姿態不確定性向 Voxel 表徵蔓延的途徑。對於評估過關的有效影格，新創建的 Voxel 會以第一筆點雲的退化分數作為初始信心值；而在發生雜湊碰撞（Hash collision）或加入新觀測時，系統會依據經驗權重係數平滑更新 Voxel 信心值。這確保了只有具備足夠幾何約束力的可靠測量，才能參與地圖的長期維護。
Botanic Garden 大型戶外數據集的量化驗證
為驗證系統效能，團隊在涵蓋茂密樹林、河畔、狹窄步道與開闊草地等嚴峻挑戰的 Botanic Garden 數據集上進行了全面測試。與現有主流演算法相比，基準方法 FAST-LIO 在缺乏結構特徵的序列中出現較大誤差，而結合體素 GICP 約束的 iG-LIO 雖有改善，但在極端場景下仍會發生效能衰退。
量化數據顯示，新提出的完整系統在多數序列中均達成最低的 RMSE。在消融實驗中，單獨加入法向量約束的模型已能穩定降低平均誤差；若進一步啟動退化感知地圖更新機制，在極端退化的 1018-04 序列中，最大絕對姿態誤差被成功壓制至 1.942 公尺，與 iG-LIO 相比降幅高達 32.5%。實驗結果明確證明了該框架在感知退化環境下的卓越穩健性，有效抑制了長期運作下的誤差累積。
透過結合局部法向量約束與動態信任評估地圖更新機制，固態光達系統能在幾何特徵匱乏的極端場景中，維持精確且一致的空間感知能力。