面向多源地理空间数据自动配准的通用多传感器高级三角测量框架(AUMSAT)

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Automated Enhancement of Multi-Modal Geospatial Data Alignment through System Calibration and Trajectory Refinement

本文提出了一种自动化通用多传感器高级三角测量(AUMSAT)框架，旨在解决现代测绘系统中因系统校准和轨迹误差导致的多模态、多平台、多时相地理空间数据错位问题。该研究通过自动提取和匹配影像与LiDAR数据中的点-面和面-面特征，结合改进的布料模拟滤波(CSF)地面滤波和最小二乘平差(LSA)引擎，显著提升了数据对齐精度，将偏差从超过1米减少至小于10厘米，为复杂环境下的高精度测绘提供了可靠技术支撑。

　　

随着无人机(UAV)、轮式移动单元和背包系统等现代测绘平台的快速发展，集成相机、LiDAR以及全球导航卫星系统/惯性导航系统(GNSS/INS)的多传感器测绘系统已广泛应用于复杂环境的高分辨率空间时序制图。然而，这些系统获取的数据常因系统校准参数误差和轨迹确定不精确而产生显著错位，严重影响多源数据融合精度与应用效果。特别是在地形崎岖、地表覆盖复杂的无人岛、茂密自然林区和室内散料存储场等特殊场景下，传统配准方法面临巨大挑战。

为解决上述问题，普渡大学Jidong Liu和Ayman Habib*研究团队在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》上发表了题为“Automated Universal Multi-Sensor Advanced Triangulation (AUMSAT)”的研究论文，提出了一种自动化通用多传感器高级三角测量框架。该研究通过创新性的特征提取与匹配策略，结合系统校准与轨迹参数整体优化，实现了多模态地理空间数据的高精度自动配准。

本研究采用的核心技术方法包括：改进的布料模拟滤波(Cloth Simulation Filter, CSF)地面点云分类技术，适应复杂地形的地面特征提取；自动化的点-面和面-面特征匹配算法；以及紧密耦合的最小二乘平差(Least Squares Adjustment, LSA)引擎，同步优化系统校准和轨迹参数。实验数据来源于三个典型场景：土耳其南部Dana岛(崎岖地形与复杂地表覆盖)、美国印第安纳州Martell森林(茂密林地)和室内散料存储设施，涵盖了无人机、背包系统和固态框架LiDAR等多种平台采集的多时相数据集。

4.1 改进的CSF地面滤波

研究团队针对复杂地形环境提出了改进的CSF地面滤波方法，通过四种后处理策略有效解决了地面覆盖间隙、陡坡地形、突然高程变化和地下结构带来的点云分类挑战。在Dana岛实验表明，改进方法相比传统CSF和渐进三角网加密(Progressive TIN Densification, PTD)算法，能更准确地识别地面点，生成更完整的数字地形模型(Digital Terrain Model, DTM)。

4.2 自动化特征提取与匹配

AUMSAT框架实现了多源数据中共轭特征的自动提取与匹配。对于复杂地形区域，采用二维栅格网格提取局部平面特征；对于人造建筑环境，使用三维空间网格划分。通过点-面和面-面对应关系建立，为后续平差优化提供几何约束。

4.3 LSA三角测量引擎用于系统校准和轨迹精化

研究设计了紧密耦合的相机/LiDAR三角测量引擎，通过最小化点-面法向距离残差和图像反投影残差，同步优化系统校准参数和轨迹参数。针对不同平台动态特性，采用不同阶数的多项式函数对轨迹进行参数化建模，在保证精度的同时避免过度参数化。

5.1 崎岖地形与复杂地表覆盖的无人岛实验

在Dana岛的十次飞行任务数据验证中，AUMSAT成功将多时相LiDAR点云和影像数据的对齐误差从米级降低到10厘米以内。通过LiDAR点-图像反投影评估显示，优化后跨任务配准误差从超过100像素减少到小于15像素，证明了该方法在复杂环境下的有效性。

5.2 茂密自然林区实验

在Martell森林数据集上，AUMSAT处理了无人机(叶茂期)和背包系统(落叶期)获取的多平台LiDAR数据。针对林下GNSS信号受限导致的轨迹漂移问题，通过平面特征匹配和轨迹精化，将点-面法向距离残差的RMS值从76.80厘米显著降低至6.49厘米，有效改善了不同平台数据间的对齐精度。

5.3 室内散料存储场实验

在室内散料存储设施场景中，研究团队利用SLAM辅助的背包LiDAR系统获取参考点云，对多个固态框架LiDAR传感器进行外参校准。经过四轮AUMSAT优化迭代，点-面法向距离残差的RMS值从13.88厘米逐步降低至3.46厘米，证明了该方法在室内无GNSS环境下的适用性。

本研究提出的AUMSAT框架通过系统驱动的优化策略，成功解决了多模态、多平台、多时相地理空间数据的自动配准难题。创新性地将改进的地面滤波、自动化特征匹配和整体平差优化相结合，在不同复杂环境下均表现出优异的性能。该研究为现代测绘系统提供了一种通用的精度提升方案，对考古测绘、森林资源调查、室内三维建模等应用领域具有重要价值，为多源遥感数据的高精度融合与应用开辟了新途径。