隨著精準農業的快速發展，智能農機裝備在果園管理和農田作業中得到了廣泛應用，而LOAM算法作為實現精準導航和自主作業的核心技術，如何提升其在農業復雜動態環境下的性能成為關鍵問題。
近日，舒磊教授在控制領域國際權威期刊《IEEE/CAA Journal of Automatica Sinica》（中科院一區TOP，IF=15.3）上合作發表了題為“Innovations and Refinements in LiDAR Odometry and Mapping: A Comprehensive Review”的綜述論文。該論文系統回顧了自2014年以來LOAM算法的創新與優化，涵蓋多傳感器融合技術、前端處理優化、后端優化及回環檢測等多個關鍵領域，全面總結了相關技術在復雜場景中的發展與應用。文章從多傳感器融合、動態環境處理及計算優化策略等方面系統分析并總結了LOAM算法的最新進展，指出數據同步、實時處理等關鍵挑戰，并為無人駕駛與機器人等依賴Simultaneous Localization and Mapping（SLAM）技術的領域提供了未來研究的建議與方向。
該論文深入分析了LiDAR與IMU、攝像頭、GNSS等傳感器的融合方案，探討了如何通過多源數據融合提高系統在復雜動態環境下的定位精度與實時性能。論文還系統總結了LOAM算法在邊緣與平面特征提取、回環檢測等核心環節的優化方法，展示了其在高動態場景中顯著提升計算效率和定位精度的成果。此外，文章詳細闡述了LOAM算法在城市導航、農業自動化、地下環境探測等領域的廣泛應用，展示了該技術在無人駕駛、農業機器人、地下作業等復雜場景中的巨大潛力（如圖1所示）。
圖1 基于LOAM算法的多場景自主機器人作業示意圖
該論文指出，未來LOAM算法研究將聚焦多傳感器融合算法的性能提升和資源優化，尤其在精準農業領域的應用將更加深入（如圖2所示）。在果園、溫室大棚等場景中，通過集成高分辨率LiDAR、多光譜傳感器與輕量化蟲情測報燈等，農業機器人將具備實時感知作物生長狀態、精準導航和智能作業的能力。這一技術的進步有望實現農機對動態環境數據的實時響應，如天氣、土壤等變量，從而提升在復雜農田環境中的穩定性與適應性。同時，借助深度學習和強化學習技術，LOAM算法可進一步優化路徑規劃與障礙物避讓策略，為農業無人機和田間巡檢機器人提供更加智能的決策支持。
圖2 農業場景展望示意圖
未來研究將聚焦開發輕量化LOAM算法建圖系統，以便在資源有限的農業設備上高效部署，并通過優化動態場景建圖技術，增強多設備協作與場景適應能力，推動智能農業裝備在大面積農場和特色種植領域的規模化應用。
[1] Guangjie Liu, Kai Huang, Xiaolan Lv, Yuanhao Sun, Hailong Li, Xiaohui Lei, Quanchun Yuan, Lei Shu. Innovations and Refinements in LiDAR Odometry and Mapping: A Comprehensive Review. IEEE/CAA Journal of Automatica Sinica, 2025. DOI: 10.1109/JAS.2025.125198.
450
0
2025-03-10
