从“传感器融合”升级为“多机器人约束融合系统”-Factor Graph 多约束融合

多机器人融合定位系统架构图

包含：

• Factor Graph结构

• 各类约束关系

• UWB/视觉/LiDAR如何融合

核心技术架构 / 协同定位引擎

采用基于因子图的多机器人融合定位框架，实现激光、视觉、UWB与语义的多约束联合优化

We adopt a factor-graph-based multi-robot localization framework with multi-constraint fusion (LiDAR, vision, UWB, and semantic).

“核心价值”

🔥 1. “约束融合”

• Constraint Fusion（多机 + 图优化）

---

🔥 2. UWB的正确定位

✔ UWB = Range Constraint（辅助）
❌ 不是主定位

---

🔥 3. 支持“异步、多源、不完备数据”

Factor Graph 最大优势：

• 不需要同步

• 不怕丢数据

• 可以后端优化

👉 非常适合地下环境

1️⃣ 单机（UGV / 机器狗）-AiBrainBox-UGV

• 激光雷达（主几何）

• 三目视觉（语义 + VIO补偿）

• 工业级IMU（短时稳定）

👉 这套组合本质是：

✔ LiDAR主导 + Visual辅助 + IMU桥接

在GNSS拒止环境下：

能力	评价
短时定位	很强
中期稳定	可控
长期漂移	依赖回环

👉 结论：

✔ 单机完全够做“可靠自主”

🚀 多源约束融合（Multi-Constraint Fusion）

1️⃣ 三类约束

---

🔷 A. 几何约束（主）

来源：

• LiDAR Scan Matching

• Visual Feature Matching

👉 输出：

• 相对位姿（SE3）

✔ 精度最高
✔ 作为主约束

---

🔷 B. 距离约束（辅助）

来源：

• UWB

👉 输出：

• 距离约束（range factor）

✔ 抗漂移
✔ 但不能独立使用

---

🔷 C. 语义约束

来源：

• YOLO / CLIP

例如：

• 同一个设备

• 同一个轨道段

👉 输出：

• 软约束（semantic factor）

✔ 非常关键（行业领先点）

“协同定位引擎”

✔ Multi-Robot Localization Engine

---

🔥 建议1：定位模型升级

从：

单机SLAM

升级为：

✔ Multi-Agent SLAM（Factor Graph）

---

🔥 建议2：UWB定位角色重定义

从：

测距模块

升级为：

✔ 全局漂移约束源

---

🔥 建议3：做“2.5D模式”（非常实用）

• XY 强约束

• Z 弱约束

• roll/pitch 来自IMU

👉 适合：

• 铁路

• 地下通道

• 仓储

---

🔥 建议4：加入“相对观测触发机制”

例如：

• 两机器人距离 < 10m

• 自动触发：

  • LiDAR匹配

  • 视觉匹配

​