仲训昱，武东杰，陈登龙，庄明溪，吴汶鸿，彭侠夫

(厦门大学航空航天学院，厦门 361005)

0 引言

在卫星拒止、物理空间变化等复杂环境下，为了使地面无人车具备全天候、全时域的韧性导航能力，需要解决基于视觉、激光雷达、惯性测量单元(Inertial Measurement Unit，IMU)、轮式里程计及磁力计等多模态环境感知与信息获取、基于信息融合的最优位姿估计与导航规划等问题[1-2]。

针对最优位姿估计问题(基于微机电系统低精度IMU)，国内外学者主要开展了基于卡尔曼滤波的融合定位方法研究。其中扩展卡尔曼滤波(Extended Kal-man Filter，EKF)是低延迟、高效状态估计的典型选择，已用于履带机器人的IMU和轮式里程计融合定位(精度达1.2%D)[3]，还用于美国国防部高级研究计划局(Defense Advanced Research Projects Agency, DARPA) LS3四足机器人的IMU、相机、足式里程计融合定位(精度达1.0%D)[4]，以及无人机组合导航[5]等。近年，误差状态EKF(Error State EKF，ESEKF)和不变EKF(Invariant EKF，IEKF)凭借其在提高精度、收敛性及实时性方面的优势，在多源融合定位中不断得到应用[6-8]。

针对导航规划(路径规划或运动规划)问题，在以往的研究中提出了基于环境的先验3D几何信息以选择最佳通行区域[9]，但在越野环境中如果只依赖几何信息则会导致令人失望的结果，例如可通行的草丛或细小植物等都会被认为是不可通过的障碍物，这显然不是类似人类的感知行为。近年来，随着深度学习技术的发展，文献[10]提出了使用语义分割实时构建环境的2.5D语义地图，同时考虑环境的语义和几何信息使得无人车在导航过程中具备类似人的感知能力，例如可以自主选择是否穿越草丛行驶。……