井下斜坡道作为井下矿采场运输的重要组成部分，同时是井下矿智慧矿山建设的重点实施对象。近年来，随着矿区无人驾驶技术的逐步推广与应用，实现井下斜坡道无人矿卡实时定位与建图成为井下矿无人驾驶迫切需要解决的问题之一。井下斜坡道环境相较于露天矿区环境，除了无法应用GPS外，还面临井下空间狭窄、环境特征退化严重、路面倾斜、光线昏暗等恶劣环境因素。传统井下定位与建图主要分两步进行，定位依靠UWB/WIFI，需要部署大量传感器，人力财力投入成本大，而且定位精度低；电子矿图依靠测绘人员前往矿山实地测绘生成，对专业人员技术要求高、耗时长且无法实时更新。两者皆难以满足井下矿无人驾驶对定位与建图高精度与高时效性的要求，因此亟待对井下斜坡道无人矿卡高效、精确的定位与建图方法进行研究。

目前解决井下无人矿卡定位与建图问题最好的方法之一就是将无人矿卡当作大型机器人，采用机器人同时定位与建图技术，即SLAM。同步定位与地图构建(SLAM)技术目前主要应用于城市道路或室外特征丰富场所，文献提出了基于粒子滤波的2D激光雷达SLAM算法Fastslam，使用栅格地图辅助建图。自2004年激光SLAM转向实践阶段，文献提出的Gmapping模型，利用2D LiDAR数据进行估计，有效缓解了粒子滤波器的粒子耗散问题，但模型极度依赖外部里程计。为解决最优粒子容易耗散的问题，文献在Gmapping基础上提出Optimal RBPF-SLAM方案，通过不断传递N个最优粒子减少粒子个数和防止粒子退化，节约了计算资源并优化位姿估计。为满足大空间建图需求，文献提出Cartographer算法，通过增加回环检测显著减少计算量，还可以融合不同传感器，实现对大规模数据的实时优化。目前2D激光SLAM技术发展相对成熟，但无法对三维环境进行描述，存在一定局限性。

随着3D激光雷达的发展，采用3D激光雷达能获取更丰富的环境信息，文献[7]提出3D激光特征点匹配的激光里程计与构图(LiDAR Odometry And Mapping，LOAM)算法，通过计算曲率的方式提取特征进行点云配准，分离前端激光里程计(LiDAR Odometry)和后端构图(Mapping)能够实现实时、低漂移的3D定位与建图效果。文献提出增加地面约束的Hdl-graph-slam算法，通过采用Eigen、Pcl、G2o等开源库提高算法可读性。文献在LOAM研究基础上提出了LeGO-LOAM算法，增加了点云预处理模块，并在后端采用基于因子图的非线性状态估计优化，提高系统状态估计的精度。目前LOAM与LeGO-LOAM算法都经过KITTI公开数据集的测试并且精度位于排行榜前列。文献提出基于Scan-To-Model方法的大场景3D激光SLAM方法，以IMLS曲面为基础进行点云匹配，提高了算法精度，但难以满足实时性要求。上述的3D激光SLAM算法目前在室外场景具有较好的应用，但针对井下斜坡道特殊场景，仍存在以下问题：① 由于激光雷达建图精度依赖于点云特征匹配的准确性，而针对斜坡道口光滑墙壁，激光雷达难以获取有效点云特征，导致建图漂移现象；② SLAM算法Z轴状态量不可观测且难以评价，针对斜坡道倾斜坑洼道路，随建图距离增加，Z轴误差积累严重，无法满足无人矿卡行驶所需精度要求；因此井下斜坡道无人矿卡定位与建图方法需要具备以下2个能力：① 能够实现斜坡道口特征严重退化环境的定位与建图；② 对于井下倾斜、坑洼道路，能够有效识别坡度信息，建立全局高精地图。

鉴于以上分析，针对井下斜坡道特殊场景，笔者提出一种基于多线激光雷达的矿山井下斜坡道无人矿卡定位与建图方法。由于LeGO-LOAM算法具备地面点处理算法且在复杂环境下有着优良的定位与建图性能，但该算法在狭小、倾斜的特征退化环境下实验效果不理想。因此，笔者在原算法基础上结合井下斜坡道环境提出优化，在斜坡道口处布设人工路标辅助增强特征数量；在预处理阶段，针对斜坡道环境提出基于激光点云高度差与坡度信息融合的地面点分割算法，并引入基于CVC的点云曲率体素的聚类方法；通过对数据量进行分析，采用Scan-To-Map方式同时兼顾定位与建图技术的精度与速度，为井下斜坡道无人矿卡提供精准、实时的感知方法，极大程度改善了目前矿山井下定位成本高、部署时间长、实时性低、定位精度差等问题。