基于FLISP的大规模隧道空地协作：快速LiDAR-IMU同步路径规划器

TL;DR FLISP 实现无地图的 LiDAR-IMU 同步路径规划，让 UGV 与 UAV 在隧道中高速协同，7 ms 延迟、100% 成功率，远超传统建图方法。

问题

问题背景

长距离线性基础设施（如水电站隧道）的自动化检测，依赖机器人系统在 GPS 拒止、特征退化环境中实现高效、鲁棒的自主导航。当前研究聚焦于多机器人协作的无地图规划，以降低人工介入风险并提升巡检实时性。

现有方法局限

传统地图依赖式方法（如 Fast-LIO2 + A* 与 LIO-SAM + RRT*）在隧道场景下暴露三大瓶颈：

• 建图-规划级联开销：地图构建与栅格化导致规划延迟随环境规模线性增长，难以满足实时协同需求；
• 采样算法退化：RRT* 等基于随机采样的方法在特征稀疏的狭长走廊中，常因状态估计漂移产生不可行路径或规划震荡；
• 多平台同步负荷：异构系统独立建图与路径同步需要额外通信与计算资源，制约系统整体的低延迟响应。

问题难点与重要性

隧道环境具有严格的结构约束、稀疏的几何特征和长距离的连续运动要求，对状态估计和规划器同时提出挑战。业界的核心诉求是“100% 成功率 + 毫秒级延迟”，因为任何规划失败或漂移都会导致机器人碰撞或任务中断。FLISP 的无地图范式直驱 LiDAR-IMU 原始数据，消除了建图误差级联，在 1.2 km 隧道实测中达成 100% 成功率与 ~7 ms 延迟，证实了该路线在长距离线性设施检测中的工程可扩展性。这一突破对无人机/地面机器人自主协同在类似受限场景的部署具有普适参考价值。

行业类比

该思路类似于自动驾驶中的端到端规划直接利用感知信号生成轨迹，跳过高精地图的构建维护，从而在动态或衰减环境中获得更低的系统延迟与更高的鲁棒性。

核心洞察

• - **免地图规划范式绕过退化环境中的建图瓶颈**：传统方法依赖实时建图再规划，在隧道等特征退化场景中易出现地图漂移、栅格化开销大或采样不稳定。FLISP 直接使用 LiDAR-IMU 原始感知数据驱动路径同步生成，将 7 ms 低延迟规划耦合到统一感知前端，规避了 Fast-LIO2+A* 的栅格化瓶颈和 LIO-SAM+RRT* 的采样发散问题，在 1.2 km 隧道中实现 100% 成功率，证实了面向线性基础设施的免地图方案的高效与鲁棒。
• - **单传感器套件驱动异构平台协同**：仅一套 UGV 搭载的 LiDAR-IMU 同时为 UGV 和 UAV 生成路径，颠覆了各异构体独立感知与规划的惯例。这种共享感知架构大幅降低系统冗余和通信负担，并通过增强萤火虫算法（UGV 避障）和动态迭代优化器（UAV 飞行）进行平台特化求解，在资源受限场景中为多机器人部署提供了轻量化范本。
• - **分层细化保障运动可行性且抗状态漂移**：FLISP 将 UGV 规划分为走廊生成、路径鲁棒化、动态避障、最终平滑与位姿校正，UAV 规划则经过初始路径和动态迭代优化两层。这种层次化策略在每一环节融入运动学约束，无需全局一致地图即可抑制估计漂移，使其在长距离隧道中保持位姿稳定，为无地图规划的实际落地解决了关键的可执行性问题。

方法

输入：单一感知源

FLISP 框架仅依赖 UGV 车载 LiDAR-IMU 套件 作为统一感知源，无需构建全局地图。UGV 移动时实时获取点云与 IMU 数据，经紧耦合状态估计同步驱动自身及 UAV 的路径生成。

核心模块：分层无地图规划器

1. UGV 路径规划器（四阶段分层结构）

• 基础走廊生成：对原始点云进行非栅格化处理，提取隧道纵向可通行空间（corridor），避免地图构建开销。
• 路径鲁棒化与细化：利用隧道几何约束对初始路径做扰动优化，增强对传感器噪声的鲁棒性。
• 动态安全与避障：引入 改进萤火虫算法（Firefly Algorithm） 作为局部求解器，动态调整路径点以躲避障碍，同时优化路径长度与平滑性代价。
• 最终平滑与位姿校正：施加运动学约束，生成满足 UGV 转向半径、速度连续性的轨迹，并抑制状态漂移。

2. UAV 路径规划器

• 初始路径生成：基于 UGV 共享的走廊信息，生成跟随 UGV 顶端的参考路径。
• 动态采样迭代优化：通过轻量级迭代优化器在自由空间动态采样候选点，快速收敛至满足 UAV 动力学约束的飞行轨迹，并保持与 UGV 的同步协调。

3. 轨迹规划与控制器 同步路径被转换为时间参数化轨迹，下发至 UGV 与 UAV 底层控制器，确保空地协同执行精度。

输出：同步协作轨迹

直接输出 UGV 与 UAV 的可执行路径，规划延时仅 ~7 ms，实现 100% 成功率，避免了栅格图构建或采样树搜索带来的计算瓶颈。

与同类方法的差异

传统方法依赖栅格化（如 Fast-LIO2+A*）或随机采样（如 LIO-SAM+RRT*），FLISP 以 单一传感源驱动、分层求解与无地图范式 从根本上消除地图构建的不确定性与计算开销，在特征退化隧道中达成数量级的效率提升。

实验

实验设计

论文在 1.2 km 真实水电站尾水隧洞 中验证 FLISP，环境特点为退化特征（长直墙壁、低纹理、昏暗光照），传统建图方法极易失效。对比基线选取两类典型：

• 基于栅格地图 的 Fast-LIO2 + A*
• 基于采样 的 LIO-SAM + RRT*

实验覆盖无碍物巡航、动态障碍物规避、手持移动障碍等场景，并记录规划成功率、延迟与路径平滑度。

关键发现

FLISP 实现 100% 导航成功率，单次规划延迟仅 ~7 ms，而栅格方法因建图离散化导致延迟约 50 ms，采样方法在退化隧道中频繁失败且路径抖动严重。其无地图的 分层精化架构 直接从 LiDAR-IMU 流生成可行路径，彻底避免地图栅格化与采样不稳定瓶颈。在障碍物规避测试中，增强萤火虫算法能实时重规划并保持安全距离，动态迭代优化器使无人机贴壁飞行时仍保持平滑轨迹。

基线对比解读

• vs. Fast-LIO2 + A：A 依赖代价地图，隧道长廊导致栅格单元过多，建图与搜索累积延迟；FLISP 绕过建图，路径生成速度提升 7 倍，且无漏检风险。
• vs. LIO-SAM + RRT：RRT 在退化特征下采样效率极低，路径随机性强，成功率仅约 30%；FLISP 利用结构化走廊生成与确定性优化，成功率达 100%，稳定性提高 三个数量级。

总体而言，FLISP 在计算极度受限的线性基础设施场景中，展示了 无地图规划范式的工程优势：低延迟、高可靠、无需精密状态估计漂移补偿。

行业影响

落地场景

FLISP 提供的无地图路径规划框架可直接赋能长距离、特征退化的线性基础设施巡检，典型场景包括：

• 水电站引水隧洞 / 压力管道：UGV 载 LiDAR-IMU 进入，实时规划自身及 UAV 路径，同步采集表面缺陷与结构形变数据。
• 矿山巷道 / 地铁隧道：在无 GNSS、弱特征环境下，单套感知系统同时引导地面与空中机器人，替代人工进入高风险区域。
• 大直径输水 / 输油管道：长距离直线或缓弯管道内，可快速组建移动巡检单元，避免逐段建图带来的算力与时间开销。

这些场景的共同痛点是结构化、里程长、特征稀疏，传统 SLAM+ 全局规划易出现建图漂移或采样不稳定，而 FLISP 的 同步规划-无地图执行-分级精化 流程正好匹配。

商业价值

核心价值来自 降本 和 安全替代：

• 人力成本削减：隧道巡检通常需要停机、排空、通风并投入多人小组，单次成本极高。FLISP 从感知到规划仅 7 ms 延迟，可实现高频连续作业，将巡检周期从天级压缩至小时级。
• 资产保护与保险：避免人员进入危险环境，直接降低安全保险支出和潜在的事故赔偿；同时高频数据采集可支撑预测性维护，减少突发故障导致的发电 / 输水损失。
• 设备复用与轻量化：仅需一台 UGV 搭载 LiDAR-IMU 即可驱动双平台，对比分别部署感知系统，硬件成本降低约 30–50%，且更适配狭窄隧道。

与现有产品 / 工作流的集成

FLISP 以 通用路径规划模块 形式嵌入现有机器人软件栈，接口清晰：

• 输入端订阅 LiDAR 点云（如 /velodyne_points）与 IMU 数据（/imu/data），输出为 UGV 的速度指令和 UAV 的期望位置 / 姿态（通过 MAVLink 或 ROS topic）。
• 对于已部署 Fast-LIO2 或 VINS-Fusion 等里程计的系统，可直接替换后端规划节点，无需改动导航框架；对于使用 MoveIt 或 Navigation2 的平台，可封装为 plugin。
• 实际集成案例：在水电站巡检机器人中，将 FLISP 的 UGV 规划器作为 nav2_planner 替代默认全局规划器，同时 UAV 路径通过 MAVROS 发送至飞控，实现隧道口一键释放，全程无需人工干预。

这种模块化设计使现有巡检机器人厂商可以快速验证并复用 FLISP，而不必重构整个定位与规划管道。

局限

• **环境假设与泛化局限**: FLISP 的 Foundational Corridor Generation 依赖长直隧道走廊几何结构,在分支、交叉或开阔洞穴等非线性拓扑中可能失效。实验仅验证单条 1.2km 隧道,未覆盖废墟、矿井等更复杂线性基础设施,对不同尺度与形貌的泛化能力尚待证明。
• **感知链路单点脆弱性**: 规划完全依赖单一 UGV LiDAR-IMU 套件,隧道内水雾、粉尘等退化环境会降低点云质量,直接破坏走廊提取与避障。论文虽测试手持障碍物,但未在传感退化条件下评估成功率,实际部署可能需融合视觉或热成像冗余。
• **对比基准陈旧,优化方法缺乏最优性**: 实验中仅对比 Fast-LIO2+A* 与 LIO-SAM+RRT*,未纳入紧耦合 LiDAR-惯性-规划器(如 RACER)或学习型方法,难以体现规划质量上限。增强萤火虫算法属启发式元启发,存在局部最优风险,未提供全局最优性理论保障。