A Tightly Coupled Magnetic-Inertial SLAM System for Field Robots

📄 arXiv: 2611.03106v1 📥 PDF

作者: Chuan Huang, Tongxing Peng

分类: cs.RO, eess.SP

发布日期: 2026-11-02

💡 一句话要点

提出紧耦合磁惯性SLAM系统以解决恶劣环境下定位问题

🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)

关键词: 磁惯性SLAM 机器人定位 数据融合 卡尔曼滤波 恶劣环境 自主机器人 视觉惯性里程计

📋 核心要点

  1. 现有的定位方法在GNSS信号缺失和视觉传感器性能下降时表现不佳，限制了机器人在复杂环境中的应用。
  2. MISLAM系统通过结合IMU和九个磁力计阵列，提出了一种不依赖外部里程计的紧耦合磁惯性SLAM方法。
  3. 实验结果表明，MISLAM在三组数据集上相较于传统磁惯性里程计减少了45.7%至78.0%的总端点闭合误差，展示了其在低光照条件下的优势。

📝 摘要（中文）

在矿山、隧道和灾区等环境中，地面机器人需要在GNSS信号缺失及相机和激光雷达测量受限的情况下实现可靠定位。为此，本文提出了MISLAM，一个紧耦合的磁惯性同时定位与地图构建系统，结合了惯性导航模型和局部多项式磁场模型进行短期运动估计，并利用全局高斯过程模型进行漂移修正。通过对三组室内数据集的离线评估，MISLAM在视觉惯性里程计失效后仍能保持跟踪，水平闭合误差为0.332米，显示出其在恶劣视觉条件下的有效性。

🔬 方法详解

问题定义：本文旨在解决在GNSS信号缺失和视觉传感器受限情况下，地面机器人定位不准确的问题。现有方法在恶劣环境下的鲁棒性不足，导致定位失败。

核心思路：MISLAM系统结合了惯性导航模型与局部多项式磁场模型，以实现短期运动估计，并通过全局高斯过程模型进行漂移修正，确保在视觉信息缺失时仍能保持定位精度。

技术框架：该系统主要由IMU和九个磁力计组成，采用紧耦合的方式进行数据融合。整体流程包括短期运动估计、漂移修正和状态更新，利用误差状态卡尔曼滤波器进行优化。

关键创新：MISLAM的创新在于其不依赖于外部里程计或特定平台运动假设，能够在视觉条件恶劣的环境中提供可靠的定位解决方案，这与传统方法有本质区别。

关键设计：系统设计中，关键参数包括磁力计的布置和IMU的采样频率，损失函数采用了基于状态估计的卡尔曼滤波方法，确保了高效的状态更新和漂移修正。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，MISLAM在三组室内数据集上相较于传统磁惯性里程计减少了45.7%至78.0%的总端点闭合误差。在低光照条件下，系统仍能保持跟踪，水平闭合误差为0.332米，展示了其在视觉信息缺失时的有效性。

🎯 应用场景

该研究具有广泛的应用潜力，尤其适用于矿山、隧道和灾区等复杂环境中的机器人定位任务。MISLAM系统能够为地面和空中机器人提供可靠的定位支持，推动自主机器人在恶劣条件下的应用与发展。

📄 摘要（原文）

Field robots operating in mines, tunnels, and disaster areas require reliable localization despite GNSS denial and degraded camera and LiDAR measurements caused by dust, smoke, or poor illumination. Missions involving both ground and aerial robots further motivate complementary sensing modalities that do not depend on visibility, preinstalled infrastructure, or wheel contact. This letter presents MISLAM, a tightly coupled magnetic-inertial simultaneous localization and mapping system using an IMU and a nine-magnetometer array, without relying on external odometry or platform-specific motion assumptions. The system combines the inertial navigation model with local polynomial magnetic-field models for short-term motion estimation and a global Gaussian process model for drift correction using an error-state Kalman filter. Offline evaluation on three indoor datasets collected with a handheld rig shows reductions in total endpoint closure error of 45.7% - 78.0% relative to magnetic-inertial odometry. Under poor illumination, MISLAM maintains tracking after visual-inertial odometry fails, achieving a horizontal closure error of 0.332 m, although vertical drift remains a limitation. These results support magnetic-inertial SLAM as a complementary localization modality for robotic sensor suites operating under degraded visual conditions.