近日，学院林业智能装备创新团队在自动化与机器人领域国际权威期刊 IEEE Transactions on Industrial Electronics 发表研究论文，题为RA-LIO: Active Three-Stage Robust Frontend With Dual-Check Adaptive Mapping and Multilevel Vertical Constraints（DOI: 10.1109/TIE.2026.3675184）。论文围绕激烈运动与复杂地形下激光雷达-惯性里程计（LIO）鲁棒性不足这一关键问题，提出鲁棒性感知 LIO 框架 RA-LIO。该方法通过预测-优化-验证三阶段主动鲁棒前端，结合双重检查自适应建图与多层垂向约束机制，在保证定位精度的同时显著提升系统在极端动态场景中的生存能力与建图稳定性。论文第一作者为我院2024级研究生刘翔文，通讯作者为陈海飞副教授、廖凯教授。
针对现有 LIO 方法在剧烈颠簸与快速旋转条件下容易出现关键帧误接纳、优化发散与垂向累计漂移的问题，研究构建了面向鲁棒性的前端框架：在自适应初始化阶段引入运动稳定性预检，生成更保守且可靠的初值；在约束优化阶段引入多层 Z 轴约束，抑制复杂地形中的垂向误差累积；在后优化验证阶段通过运动学合理性与几何充分性双重准入，拒绝低质量关键帧进入地图，从源头降低地图污染与轨迹退化风险。
实验结果表明，该方法在标准 KITTI 数据集上保持与主流方法同量级精度：在 Sequence 05 上 ATE RMSE 为 1.84 m（优于基线 LIO-SAM 的 1.90 m），在 Sequence 07 上与基线基本持平；在更具挑战场景下，RA-LIO 展现出明显鲁棒性优势。针对 Great Outdoor 数据集垂向稳定性测试，系统将垂向 RMSE 由 431.42 m 降至 10.28 m，最大垂向偏差由 931.87 m 降至 16.48 m；在消融实验中，完整配置是唯一实现稳定跟踪（Div.=0）的方案，验证了预检、约束更新与后验验证协同耦合的有效性。相关结果说明，该研究为复杂非结构环境下无人系统高可靠定位与建图提供了新的技术路径与工程参考。
本研究由国家自然科学基金（62303493、62422316）、芙蓉计划青年人才项目（2025RC3177）、国家重点研发计划（2022YFD2202103）及湖南省自然科学基金项目（2024JJ6720）共同资助。
论文全文链接：https://doi.org/10.1109/TIE.2026.3675184
论文引用格式：
Liu X, Chen H, Liao K, Zhang H, Ma Z. RA-LIO: Active Three-Stage Robust Frontend With Dual-Check Adaptive Mapping and Multilevel Vertical Constraints. IEEE Transactions on Industrial Electronics, 2026. DOI: 10.1109/TIE.2026.3675184.
（图文/陈海飞 一审/陈中琪 二审/徐钰婷 三审/李红军）
