FIRE-LIVWO：面向煤矿极端环境的毫米波雷达增强多模态里程计

在结构复杂且退化严重的大型地下煤矿中实现鲁棒的 SLAM 仍极具挑战性。浓烟与粉尘会导致大量视觉信息丢失并使激光雷达（LiDAR）点云特征退化，而狭长且自相似的巷道则会诱发几何退化，从而导致显著的里程计漂移。为解决这些问题，我们提出了 FIRE-LIVWO：一种抗失效的毫米波雷达增强型激光-惯性-视觉-轮式里程计（Failure-Immune mmWave Radar-Enhanced LiDAR-Inertial-Visual-Wheel Odometry），这是一个基于迭代误差状态卡尔曼滤波（IESKF）的紧耦合多模态里程计框架。该框架在统一的体素地图（VoxelMap）中融合了 4D 毫米波雷达、激光雷达和视觉特征，并联合构建了激光雷达-雷达点到面残差以及稀疏视觉光度残差。在烟雾弥漫的环境中，我们利用 4D 毫米波雷达强大的穿透能力，并引入逐点多普勒速度约束以保持状态可观测性。在几何退化的巷道中，我们利用非完整约束（NHC）和在线杆臂补偿紧耦合轮式里程计以减少漂移。我们的核心贡献在于提出了一种基于几何和视觉可观测性分析的退化检测与自适应融合模型切换策略，该策略可在线量化可观测性并动态调整各模态权重。在地下煤矿开展的实地实验表明，FIRE-LIVWO 能够精准识别失效边界，在极端条件下实现可靠的模态切换。与基线方法相比，它实现了卓越的精度与鲁棒性（平均定位误差为 5.677 米）。我们在 GitHub 上开源了代码，以惠及机器人社区。