2. 矿山激光雷达数据采集与误差溯源起点
在矿山巷道环境中，激光雷达SLAM的定位误差往往并非来自算法本身，而是从数据采集那一刻就已经埋下。巷道空间狭窄、粉尘浓度高、壁面粗糙且存在大量管道与支护结构，这些因素使得点云质量与理想场景差异显著。因此，误差溯源的第一步不是打开SLAM软件看轨迹，而是回到采集端，确认雷达选型、安装标定与原始点云是否具备可用的几何与时间一致性。本节围绕“采集端可能引入哪些误差、如何识别”展开，并以一段巷道点云为例说明溯源思路。
一、矿用激光雷达选型与安装标定要求
矿用场景对激光雷达的核心要求集中在量程、防护等级、抗粉尘能力和视场覆盖。巷道断面通常宽3～5 m、高3～4 m，但纵向延伸可达数百米，因此需要兼顾近距高分辨率与中远距探测能力。机械式多线雷达（如16线、32线）在成本与覆盖之间较为平衡，但其垂直视场角有限，安装时需保证扫描面能覆盖巷道顶底板与两帮。固态或半固态雷达体积小、抗震好，但视场较窄，需通过多台布置或调整俯仰角弥补。
安装标定包含外参标定与内参确认两部分。外参标定即确定雷达相对车体或巷道坐标系的位姿，常用方法是在已知控制点或标定板上采集点云，通过平面拟合求取旋转与平移。例如，将雷达安装于巡检车前端，俯仰角设为向下5°～10°，使扫描面覆盖前方8～30 m路面与两帮；横滚角应尽量接近0°，否则会导致地面点云倾斜，SLAM提取的地面约束出现系统性偏差。标定后需用一段静止点云验证：地面点应近似水平，两帮点应近似竖直，若出现明显倾斜，说明外参存在残余误差。
二、采集过程中的四类典型误差
时间同步误差。激光雷达与IMU、轮速计的时间戳若未对齐，在车辆运动时会造成点云与运动状态错位。例如雷达以10 Hz输出、IMU以100 Hz输出，若两者时间偏差达到20 ms，车辆以1 m/s行驶时对应2 cm的位置错位，在转弯或颠簸时会被放大为轨迹抖动。排查方法是静止时检查时间戳偏差，运动时观察点云是否出现“拖尾”或前后帧错位。
运动畸变。机械式雷达逐点扫描，一帧内各点采集时刻不同。车辆在巷道内行驶速度虽低（常为0.5～2 m/s），但转弯时角速度较大，若不做运动补偿，墙面会呈现弯曲或“扇形”拉伸。判断依据是：直线段墙面点云应平直，若出现周期性弯曲且弯曲方向与转向一致，则畸变未补偿或补偿参数有误。
反射强度异常。巷道内存在金属管道、反光标识、水渍和潮湿壁面，其反射强度与岩石壁面差异明显。强度异常本身不直接产生定位误差，但会影响基于强度的特征提取与点云分割。例如，高反光管道可能被误判为墙面特征，低反射的粉尘区域则可能丢失点云。采集时应记录强度通道，观察同一壁面强度分布是否连续。
粉尘与雨雾影响。粉尘颗粒会产生大量近距散射点，形成“点云雾”，雨雾则导致远处点云衰减和随机噪点。这类误差表现为近距点密度异常升高、远距有效点减少，SLAM可能将粉尘团误认为障碍物或特征。排查时对比不同时段（如洒水前后）的点云密度与有效距离分布，可判断粉尘干扰程度。
三、巷道点云误差溯源示例
假设一段长约120 m的直巷点云，巡检车以1 m/s匀速前进，雷达10 Hz、32线，安装高度1.2 m、俯仰向下8°。观察发现：前40 m墙面平直、地面水平；40～70 m段墙面出现轻微周期性弯曲，弯曲周期与车辆转向节奏一致；70 m后近距出现密集悬浮点，远距有效点明显减少。据此可初步判断：40～70 m段为运动畸变未充分补偿，70 m后为粉尘干扰叠加远距衰减。进一步检查时间戳，若发现雷达与IMU偏差约15 ms，则畸变与时间同步误差可能共同作用。
上图将安装标定、时间同步、运动畸变与粉尘影响放在同一条判断链上，便于在拿到一段点云后按“先看几何是否平直、再看时间是否对齐、最后看密度与强度分布”的顺序逐项排除。需要强调的是，实际排查中这些误差常叠加出现，例如时间同步偏差会加剧运动畸变的表现，粉尘又会掩盖墙面特征使畸变不易观察。因此，采集时应尽量记录雷达型号、安装参数、时间戳源、行驶速度与环境状态（洒水、通风、粉尘浓度），这些元数据是后续溯源的重要依据。
四、采集端可执行的检查清单
为便于现场操作，可将采集端检查归纳为以下可直接执行的条目：
- 安装外参：静止采集30 s，拟合地面与两帮平面，记录法向夹角；超限则重新标定。
- 时间同步：记录雷达与IMU首帧时间戳，计算偏差；若大于5 ms，检查PTP或触发同步配置。
- 运动畸变：以常用速度直线行驶一段，观察墙面是否平直；转弯段观察弯曲方向是否与转向一致。
- 强度通道：导出点云强度字段，检查同一壁面强度是否连续；标记高反光管道与低反射区域。
- 环境记录：记录洒水、通风、粉尘浓度与天气；对比不同时段近距点密度与有效距离。
综上，矿山激光雷达SLAM的误差溯源应从采集端开始：选型与安装标定决定了几何基准是否可靠，时间同步与运动补偿决定了点云与运动状态是否一致，粉尘与反射异常则影响特征可用性。通过一段巷道点云的分段观察与元数据比对，可以快速将误差来源定位到具体环节，为后续算法调参与补偿提供明确方向。