视觉–激光融合SLAM扫地机器人系统总体架构

面向家庭环境的视觉–激光融合SLAM扫地机器人系统，采用“感知层–融合层–决策层–执行层”的四层架构，各层协同工作，实现环境感知、精准定位、地图构建与自主清洁的闭环控制。系统总体架构设计兼顾实用性、轻量化与可扩展性，适配家庭环境的复杂性与端侧算力约束，具体结构如下：

感知层：多传感器数据采集与预处理

感知层是系统的基础，负责采集家庭环境的多源传感器数据，并进行预处理，为后续融合计算提供高质量的数据支撑。感知层主要包含三类核心传感器，同时配备辅助传感器提升系统可靠性：

一是视觉传感器，采用双目相机或RGBD相机，安装于扫地机器人顶部，采集环境图像帧，获取环境纹理、物体轮廓等视觉特征。双目相机可通过视差计算获取环境深度信息，无需额外深度传感器，成本较低；RGBD相机可直接采集彩色图像与深度图像，效率更高，适配纹理稀疏场景，但受光照影响较大。视觉数据预处理包括图像去噪、灰度校正、尺寸归一化、畸变校正等操作，剔除图像中的噪声与干扰，提升特征提取的准确性。

二是激光传感器，采用2D激光雷达（主流为16线或32线），安装于机器人底部或前部，发射激光束扫描环境，获取环境点云数据，捕捉环境几何轮廓与距离信息。激光雷达数据预处理包括点云去噪、滤波、降采样等操作，剔除地面点、噪声点与冗余点，减少数据量，提升后续匹配效率；同时通过坐标校准，将激光点云数据转换至机器人统一坐标系，为与视觉数据融合奠定基础。

三是辅助传感器，包括惯性测量单元（IMU）、里程计、超声波传感器等。IMU用于采集机器人的加速度与角速度信息，辅助修正定位漂移；里程计用于记录机器人的运动距离与速度，提供初始运动约束；超声波传感器用于感知低矮区域、狭窄区域的障碍物，补充视觉与激光传感器的感知盲区，提升系统的环境覆盖能力。

融合层：核心数据融合与SLAM计算

融合层是系统的核心，负责将感知层采集的多源数据进行融合，完成定位与地图构建，是实现视觉与激光优势互补的关键环节。融合层采用“特征级融合+决策级融合”的双层融合策略，兼顾融合精度与计算效率，适配端侧算力约束：

特征级融合主要实现视觉特征与激光点云特征的融合，具体流程为：首先，从预处理后的图像帧中提取视觉特征（如ORB特征、SIFT特征），从激光点云中提取几何特征（如角点、平面特征）；其次，通过特征匹配算法，建立视觉特征与激光特征的对应关系，利用激光特征的高精度优势，修正视觉特征的定位偏差，同时利用视觉特征的丰富性，补充激光特征的细节缺失；最后，将融合后的特征用于位姿估计，提升定位精度。

决策级融合主要实现视觉SLAM与激光SLAM的结果融合，具体流程为：分别运行视觉SLAM算法与激光SLAM算法，得到各自的定位结果与地图数据；通过融合决策模块，对两种结果进行可信度评估（根据环境光照、纹理丰富度、点云密度等因素），选择可信度高的结果作为当前定位与地图数据，或对两种结果进行加权融合，进一步提升稳定性；同时，将融合后的定位与地图数据反馈至特征级融合模块，优化特征匹配精度，形成闭环优化。

此外，融合层还包含回环检测模块与地图优化模块。回环检测模块通过对比当前环境特征与历史环境特征，识别机器人曾经经过的区域，修正长期运行导致的定位漂移；地图优化模块通过融合多源数据，剔除地图中的冗余信息、修正地图偏差，生成完整、精准的环境地图，为后续路径规划提供支撑。

决策层：路径规划与清洁策略优化

决策层基于融合层输出的定位信息与地图数据，结合家庭环境特点，完成路径规划与清洁策略优化，实现自主清洁的智能化。路径规划模块采用基于栅格地图的路径搜索算法，结合地图中的障碍物信息、区域大小、地面材质等因素，规划最优清洁路径，避免重复清扫与漏扫；同时，根据机器人的实时定位信息，动态调整路径，适配环境中的动态障碍物。

清洁策略优化模块基于地图的语义信息（由视觉传感器提取），实现差异化清洁：例如，识别到厨房区域时，提升清扫强度与清扫次数，适配油污清洁需求；识别到地毯区域时，调整机器人吸力，避免损伤地毯；识别到低矮区域时，控制机器人降低高度，确保清洁覆盖；识别到动态障碍物时，暂停清扫或绕障，避免碰撞。

执行层：运动控制与清洁执行

执行层负责将决策层的指令转化为机器人的实际动作，实现自主清洁。执行层主要包含运动控制模块与清洁执行模块：运动控制模块根据路径规划指令，控制机器人的前进、转弯、停止等动作，结合IMU与里程计数据，确保机器人按照规划路径精准移动；清洁执行模块控制扫地刷、吸尘风机等部件的运行，根据清洁策略优化指令，调整清扫强度、吸力大小等参数，完成清洁作业。