从"传感器融合"升级为"多机器人约束融合系统"-Factor Graph 多约束融合
多机器人融合定位系统架构图
包含：
-
Factor Graph结构
-
各类约束关系
-
UWB/视觉/LiDAR如何融合
核心技术架构 / 协同定位引擎
采用基于因子图的多机器人融合定位框架，实现激光、视觉、UWB与语义的多约束联合优化
We adopt a factor-graph-based multi-robot localization framework with multi-constraint fusion (LiDAR, vision, UWB, and semantic).
"核心价值"
🔥 1. "约束融合"
- Constraint Fusion（多机 + 图优化）
🔥 2. UWB的正确定位
✔ UWB = Range Constraint（辅助）
❌ 不是主定位
🔥 3. 支持"异步、多源、不完备数据"
Factor Graph 最大优势：
-
不需要同步
-
不怕丢数据
-
可以后端优化
👉 非常适合地下环境
1️⃣ 单机（UGV / 机器狗）-AiBrainBox-UGV
-
激光雷达（主几何）
-
三目视觉（语义 + VIO补偿）
-
工业级IMU（短时稳定）
👉 这套组合本质是：
✔ LiDAR主导 + Visual辅助 + IMU桥接
在GNSS拒止环境下：
| 能力 | 评价 |
|---|---|
| 短时定位 | 很强 |
| 中期稳定 | 可控 |
| 长期漂移 | 依赖回环 |
👉 结论：
✔ 单机完全够做"可靠自主"
🚀 多源约束融合（Multi-Constraint Fusion）
1️⃣ 三类约束
🔷 A. 几何约束（主）
来源：
-
LiDAR Scan Matching
-
Visual Feature Matching
👉 输出：
- 相对位姿（SE3）
✔ 精度最高
✔ 作为主约束
🔷 B. 距离约束（辅助）
来源：
- UWB
👉 输出：
- 距离约束（range factor）
✔ 抗漂移
✔ 但不能独立使用
🔷 C. 语义约束
来源：
- YOLO / CLIP
例如：
-
同一个设备
-
同一个轨道段
👉 输出：
- 软约束（semantic factor）
✔ 非常关键（行业领先点）
"协同定位引擎"
✔ Multi-Robot Localization Engine
🔥 建议1：定位模型升级
从：
单机SLAM
升级为：
✔ Multi-Agent SLAM（Factor Graph）
🔥 建议2：UWB定位角色重定义
从：
测距模块
升级为：
✔ 全局漂移约束源
🔥 建议3：做"2.5D模式"（非常实用）
-
XY 强约束
-
Z 弱约束
-
roll/pitch 来自IMU
👉 适合：
-
铁路
-
地下通道
-
仓储
🔥 建议4：加入"相对观测触发机制"
例如：
-
两机器人距离 < 10m
-
自动触发：
-
LiDAR匹配
-
视觉匹配
-