基于同时定位与建图（SLAM）技术的移动机器人能够快速、准确、自动化地采集空间数据，进行空间智能感知和环境地图构建，是实现煤矿智能化和无人化的关键。但目前煤矿井下多传感器融合SLAM方法存在机器人前端位姿估计退化失效和后端融合精度不足的问题。提出一种煤矿井下移动机器人激光雷达（LiDAR）-视觉-惯性（IMU)自适应融合SLAM方法。对LiDAR点云数据进行聚类分割，提取线面特征，利用IMU预积分状态进行畸变校正，采用基于自适应Gamma校正和对比度受限的自适应直方图均衡化（CLAHE）的图像增强算法处理低照度图像，再提取视觉点线特征。用IMU预积分状态为LiDAR特征匹配与视觉特征跟踪提供位姿初值。根据LiDAR相邻帧的线面特征匹配得到移动机器人位姿，之后进行视觉点线特征跟踪，分别计算LiDAR、视觉、IMU位姿变化值，通过设定动态阈值来检测前端里程计的稳定性，自适应选取最优位姿。对不同传感器构建残差项，包括点云匹配残差、IMU预积分残差、视觉点线残差、边缘化残差。为了兼顾精度与实时性，基于滑动窗口实现激光点云特征、视觉特征、IMU测量的多源数据联合非线性优化，实现煤矿井下连续可用、精确可靠的SLAM。对图像增强前后效果进行实验验证，结果表明，基于自适应Gamma校正和CLAHE的图像增强算法能显著提升背光区和光照区的亮度和对比度，增加图像中的特征信息，大幅提升特征点提取和匹配质量，匹配成功率达90.7%。为验证所提方法的性能，在狭长走廊和煤矿巷道场景下进行实验验证，结果表明，所提方法在狭长走廊场景的定位均方根误差为0.15 m，构建的点云地图一致性较高；在煤矿巷道场景中的定位均方根误差为0.19 m，构建的点云地图可以真实地反映煤矿井下环境。

0 引言
1 方法概述
2 方法关键技术
2.1 多源传感器数据预处理
2.1.1 IMU预积分
2.1.2 激光点云数据预处理
2.1.3 视觉图像预处理
2.2 LiDAR、视觉、IMU里程计
2.2.1 点云数据线面特征匹配
2.2.2 视觉点线特征跟踪
2.2.3 自适应位姿选取
2.3 后端优化
3 实验结果分析
3.1 实验介绍
3.2 图像增强实验分析
3.3 多源传感器数据融合SLAM实验
3.4 建图效果分析
4 结论