前言
在井下巷道特征退化、路况复杂的环境中，单一传感器难以实现高精度位姿估计 ——IMU（惯性测量单元）存在累积误差，轮式编码器（里程计）易受路面颠簸影响。基于扩展卡尔曼滤波（EKF）的 IMU 与编码器融合，通过互补传感器优势，为井下无人矿卡提供稳定可靠的里程计输出，是建图框架的核心基础。
一、融合的核心逻辑：传感器特性互补
IMU 与轮式编码器在测量原理和性能上存在天然互补性，融合的本质是通过算法扬长避短，具体差异如下表所示：
二、融合的技术核心：扩展卡尔曼滤波（EKF）实现流程
EKF 是处理非线性系统状态估计的经典算法，通过 “预测 – 更新” 迭代过程融合 IMU 与编码器数据，具体步骤可分为运动建模、状态预测、观测更新三部分，形成闭环优化。
1. 第一步：系统建模 —— 定义状态与观测变量
为井下无人矿卡构建二维运动模型（简化井下主要为平面运动），明确融合的核心变量：
2. 第二步：状态预测 —— 基于 IMU 的运动推演
利用 IMU 测得的速度和角速度，预测下一时刻的系统状态，同时估计预测不确定性（先验协方差）：
3. 第三步：观测更新 —— 用编码器数据校正预测值
通过轮式编码器的实测数据（观测值(Z_{k+1})）修正预测的状态值，降低不确定性，得到最终的后验估计：
三、融合的关键优势：针对井下环境的鲁棒性提升
相较于单一传感器，IMU 与编码器的 EKF 融合在井下场景中表现出三大核心优势，直接解决传统里程计的痛点问题：
1. 抑制 IMU 的累积误差，提升长期精度
IMU 的角速度和加速度测量会因零漂、温漂产生累积误差，长时间运行后位姿估计会严重偏移。通过轮式编码器的短周期高精度位移数据，EKF 可实时校正 IMU 的漂移，使误差始终控制在较小范围。
2. 弥补编码器的路面适应性缺陷
井下巷道存在斜坡、坑洼、积水等复杂路况，轮式编码器易因车轮打滑导致 “空转计数”，出现位移测量失真。IMU 直接测量车身运动状态（不受路面摩擦影响），可在编码器失效的短时间内（如 1-2 秒）维持可靠的位姿预测，避免融合系统 “断联”。
3. 增强动态响应能力，适配无人矿卡运动特性
无人矿卡在井下需频繁转弯、启停，单一编码器的采样频率（通常 10-50Hz）难以捕捉快速运动变化，而 IMU 的采样频率可达 100-1000Hz，能提供高频运动数据。EKF 通过融合高频 IMU 与高精度编码器数据，使里程计输出既具备高频动态响应，又保持长期稳定性，适配无人矿卡的复杂运动需求。
四、在整个建图框架中的作用：承上启下的核心支撑
IMU 与编码器的里程计融合并非独立模块，而是 建图框架的 “数据地基”，其输出直接影响后续激光建图的精度：
- 为点云畸变校正提供基础位姿
：激光雷达扫描过程中，无人矿卡的运动（平移 / 旋转）会导致点云畸变。融合后的高精度里程计可提供扫描期间的实时位姿变化，用于校正点云畸变，确保点云数据与实际场景匹配。 - 为激光里程计提供初始位姿估计
：激光里程计通过点云配准计算位姿变化，若初始位姿误差过大，易出现配准失败。融合里程计可提供可靠的初始位姿，减少激光配准的迭代次数，提升计算效率与鲁棒性。 - 为因子图优化提供关键约束
：在全局优化阶段，融合里程计的位姿数据作为 “里程计因子”，与 IMU 预积分因子、回环检测因子共同构建因子图，通过全局优化消除局部误差，生成一致的井下地图。
五、工程实现的关键注意事项
- 传感器时间同步
：IMU 与编码器的采样时间需严格同步（误差控制在 1ms 以内），否则会因数据时序错位导致融合误差增大。可通过 ROS 的时间戳校准或硬件同步触发实现。 - 噪声协方差矩阵调优
：(Q_k)（过程噪声）和(R_k)（观测噪声）需根据井下实际工况调整 —— 如在颠簸路段，增大编码器的观测噪声权重；在长直巷道，增大 IMU 的过程噪声权重。 - 异常值处理
：当编码器检测到打滑（如位移突变）或 IMU 出现异常（如角速度跳变）时，需通过阈值判断或卡尔曼残差检验剔除异常数据，避免污染融合结果。
小节
综上，基于 EKF 的 IMU 与编码器里程计融合，通过 “预测 – 更新” 的闭环优化，实现了两种传感器的优势互补，不仅解决了井下单一传感器的性能局限，更为后续激光点云处理、回环检测和全局建图提供了高精度、高鲁棒性的位姿基础，是支撑井下无人矿卡自主导航的核心技术之一。