摘要：无人车在真实作业环境中面临多重不确定性因素，对其即时定位与建图系统的可靠性与环境适应性进行有效评估具有重要价值。然而，受限于真实结构化场景的单一性，场景不确定性的度量与评估仍存在困难。为此，本文提出一种基于虚拟仿真环境的 SLAM 量化评估方法，用于系统分析场景不确定性对 SLAM 性能的作用机制。首先，在虚拟场景中构建具有不确定性分布的环境要素模型；进而，通过建立基于运动控制机制的轨迹预测方程，揭示无人车在不确定性环境中的运动规律。为验证所提模型的有效性，本文设计多类不确定性场景下的巡逻建图对比实验，结果表明该方法能够有效量化不确定性对建图过程的影响，为SLAM 系统的优化与验证提供依据。

关键词：无人车；不确定性；SLAM；量化评估

1 引言

无人车 SLAM 系统在不确定性环境下的可靠性与适应性评估，是保障其巡逻任务顺利完成的关键基础 [1]。此外，通过对建图一致性、精度及鲁棒性等多项性能指标的系统评估，能够有效识别系统在不同不确定性条件下的性能瓶颈，为算法优化与系统改进提供重要依据[2]。然而，目前针对 SLAM 系统在不确定性环境下的评估方法仍存在以下两个主要问题：1 真实场景类型单一，难以复现与量化多维度不确定性对建图过程的影响机制；2 缺乏能够系统分析环境不确定性与SLAM 性能之间映射关系的评估框架。

虚拟仿真环境为弥补无人车 SLAM 评估中真实场景单一性与不确定性复现不足提供了可行途径。通过构建可配置不确定性分布的环境模型，能够系统生成多类典型不确定性场景，为评估提供丰富、可控且可重复的测试条件 [3]。环境与系统交互中产生的不确定性从本质上可归属为认知与随机复合的不确定性问题，而建立其与 SLAM 性能之间的映射机制是提升评估有效性的关键。基于运动控制机理与轨迹预测的建模方法近年来逐渐成为研究热点，其中一类通过构建系统运动方程揭示无人车在不确定性环境中的响应规律，为性能分析提供理论依据，并在 SLAM 系统的可靠性验证中显示出广泛应用潜力。当前，面向复杂作业场景的无人系统建图评估趋于精细化与智能化发展，对评估方法的可解释性与量化能力提出了更高要求。以虚拟仿真与对抗生成为代表的现代技术手段逐步应用于 SLAM 系统的测试验证，能够高效生成逼近真实的多源不确定性数据，为系统适应性优化提供扎实的实验基础。

在无人车 SLAM 系统的性能评估中，当前主要采用基于真实环境试验与仿真验证相结合的方法。然而，现有方法在构建反映多维度不确定性影响的系统化评估方面仍存在明显不足：首先，真实测试环境往往结构单一、不确定性因素可控性差，难以系统复现复杂多变的外部条件，导致评估结果泛化能力有限。其次，传统仿真方法虽可构建多样化场景，但多限于理想传感器模型与确定性运动假设，对实际环境中噪声、动态障碍和系统误差等不确定性因素的建模仍较为简化，缺乏对 SLAM 性能影响机制的深入揭示。因此，如何在保证评估可靠性的前提下，构建兼具高可控性和高逼真度的不确定性环境模型，已成为提升SLAM 系统评估有效性的关键问题。

为提升无人车在不确定环境中 SLAM 系统的评估能力，本文提出一种基于虚拟仿真环境的量化评估方法，用于系统分析场景不确定性对建图性能的影响。通过在虚拟环境中构建可控的不确定性要素并建立运动模型，采集无人车在多种不确定性场景下的运动与建图数据；最终，通过多组对比实验，量化评估不同 SLAM 算法在多种任务场景中的建图性能。

2 场景不确定性建模

场景不确定性是影响无人车性能的重要因素之一，对其进行准确建模是增强系统环境适应性与运行可靠性的重要基础。为系统表征实际场景中多源、交互的不确定因素，本章围绕场景不确定性建模展开研究。

2.1 高保真联合仿真

为全面评估无人车在任务执行过程中的性能，本文基于虚幻引擎5（Unreal Engine 5，UE 5）构建仿真测试环境，并结合高精度动力学引擎，实现测试无人车与环境的交互；以机器人操作系统（ROS）为基础，构建无人车感知、规划算法，完成无人车环境感知与规划能力构建；同时以数据分发服务（DDS）为中间件，完成无人车本体及其算法之间的传感信息、控制信息，实现稳定高效的信息交互。最终搭建了一套完整的无人车感知 - 规划一体化仿真测试平台，其系统架构如图1 所示。

图 1 无人车虚拟环境下交互仿真系统框架

基于所构建的虚拟交互仿真框架，针对真实场景中任务数据有限、多因素耦合影响显著以及实测成本高等问题，本文建立了高效、准确的虚拟仿真系统，支持无人车在可控多元环境中的性能验证与数据采集。

2.2 场景不确定性建模

无人车在交互环境中的运行性能受到多种不确定性因素的耦合作用，这些因素相互关联、相互影响，显著降低了仿真系统的准确性与可靠性，进而制约其在实际场景中的作业效果。本文以高保真联合仿真系统为基础，针对无人车任务过程中的场景不确定性开展建模分析，从环境、障碍物与算法三个层面进行系统性研究。

（1）环境不确定性建模

在环境不确定性建模中，重点考虑天气、光照与地形等因素对感知系统的影响。不同天气条件（如雨、雪、雾）会显著降低环境能见度，而光照强度的变化易导致图像传感器出现过曝或欠曝，共同干扰感知数据的质量。为评估天气对无人车感知性能的影响，本文依托虚幻引擎实现了光照、雨、雪、雾等天气因素的随机生成与组合控制（如表 1 所示），构建了多种典型与极端天气场景，以测试无人车在不同环境条件下的感知鲁棒性。

表 1 环境不确定性因素组合

（2）碍物不确定性建模

障碍物不确定性主要包括动态与静态障碍物所带来的环境复杂度提升。通过在巡逻任务中引入行人、其他移动无人系统等动态障碍物，模拟现实环境中常见的非结构化运动行为，如行人行走、车辆运动等，从而增强场景的不可预测性。此外，颠簸路面会引发车身姿态变化与传感器抖动，进一步增加感知与控制的难度。为此，本文结合虚幻引擎与动力学仿真软件，构建了包括颠簸路面在内的多种复杂地形，以评估无人车在障碍物与地形耦合不确定性下的路径规划与动态避障能力。

（3）算法不确定性建模

感知、规划算法作为无人车实现自主决策与精准控制的核心，其性能优劣直接决定无人车在交互环境中的行为可靠性。然而，感知识别误差、路径规划与控制策略输出的不稳定性，以及算法泛化能力与鲁棒性不足等问题，使得算法层面存在显著的不确定性，成为制约无人车高效运行的关键因素。本文在联合仿真系统中集成了五种规划算法，系统支持用户一键启动测评任务，在仿真环境中运行指定的算法，并在任务结束后量化评估其关键指标，实现不同规划算法的性能对比。

在算法不确定性建模中，引入ALOAM、理想化定位、 A^* 、 D^* 等多种算法组合的形式进行在环测试，如图 2 所示。通过测试不同算法在不同环境下的组合性能，评估算法在感知精度、规划合理性及控制稳定性上的差异，分析算法切换时的适配性与响应延迟，以此量化算法层面的不确定性。

3 随机过程建模

随机过程是表征动态系统不确定性及演化规律的数学工具，在无人车的运动状态建模与轨迹预测中具有重要理论价值与应用意义。为描述无人车在运行过程中表现出的随机特性与动态行为，本章基于随机过程理论，对其运动轨迹进行建模型与分析。

3.1 时序状态的轨迹方程建模

无人车在运行中依赖于多个控制变量构建的本构方程，例如运动过程中作用力产生的加速度与运动速度的变化。这些机理作用能够为无人车运动描述提供泛化数学表达式。大量的机理仿真模型可用来描述监测数据生成的机理。为了减少复杂的环境变量对机理表征的不确定性影响，对这些机理作用进行通用数学表达式的构建，如式 所示：

其中 μ，κ 表示速度矢量矩阵 σ_V 及其增幅矢量矩阵 Δv 修正系数，t 表示运行时间， ω 表示轨迹噪声。

以PID 控制机制为例，机器人的运动控制可用 式进行解析：

其中 Π_x^- 表示无人车的目标位置， σ_X 表示无人车的当前位置， K_p 、K_i 、 K_d 分别表示无人车运动中的比例、积分个微分控制系数。

基于此，轨迹方程可简化为 如式所示：

其中 v₀ 是初始采集数据， μ_i，k_i 为模型参数， W_i 为数据采集的随机波动（扩散系数），服从 分布。

假设 μ_i，k_i 服从均值为 μ₀ 方差为 σ₀² 的正态分布，通过采集数据学习来进行参数估计。

此处构建多个高斯分布：

考虑到轨迹不确定性 ，基于 PID 控制的轨 迹可通过随机过程的联合高斯分布获取，其中涉及的参数集合记为，下一节将基于强化学习来进行参数估计和更新，从而实现无人车轨迹跟踪。

3.2 期望最大化参数估计

本文采用期望最大化（EM）算法来估计模型参数，EM 算法是一种迭代算法，用于含有隐变量的概率模型参数估计问题。算法分为两个步骤：期望步骤（E-step）和最大化步骤（M-step）。在 E-step 中，计算隐变量的期望值；在 M-step 中，最大化似然函数来更新参数估计值。

4 应用验证

4.1 仿真 - 真实数据验证

为验证无人车虚拟环境下交互仿真平台，以办公真实环境为依托构建虚拟环境，同时在办公园区真实环境与虚拟环境中采用无人车激光雷达采集点云数据及定位数据，如图3 所示。

（a）真实巡逻环境（b）虚拟巡逻环境

图3 办公园区真实与虚拟环境

结合 A_LOAM 算法，运行真实、虚拟环境下点云数据，获得两种环境下经过 A_LOAM 算法处理得到的定位结果，并借助 EVO 评估工具，与 RTK 数据进行对比，获得真实与虚拟环境下 A_LOAM 算法的定位误差。并对比真实环境下 A_LOAM 与无人车虚拟环境下交互仿真平台下 A_LOAM 算法的定位误差，其中在仿真平台中定位误差最大值为 2.94，最小为 0.15，标准差为 0.48；真实环境下定位误差最大为 2.83，最小为 0.04，标准差为 1.06 。从算法运行的结果上验证仿真系统的有效性，结果如图 4 所示。通过对比仿真平台与真实环境的定位误差指标验证仿真系统的有效性。

（a）真实环境结果（b）虚拟环境结果

（c）真实环境定位误差（d）虚拟环境定位误差

图4 真实和虚拟环境中 A_LOAM 运动结果

4.2 不确定性建模验证

为了验证不确定性建模的轨迹方程在不确定性分析中的预测性能，选择 90% 的轨迹数据进行预测，并以 95% 置信度画出轨迹预测的置信带。结果如图 5 所示，蓝色线为 GPS 获取的真实轨迹数据，红色线为预测轨迹数据，橙色是预测的置信带，预测和真实的结果有相同趋势。

图 5 无人车运动轨迹不确定性分析

根据轨迹预测模型的结果，使用 90% 的样本数据来预测剩余10% 的轨迹曲线时，得到的预测结果与真实轨迹几乎一致。这表明动力学分析建立的不确定性模型在这种情况下具有很高的准确性和可靠性，为轨迹预测的有效性和可信度提供了重要的支持。

4.3 SLAM 评估

为了全面评估感知交互算法在复杂环境中的性能表现，考虑多因素对感知性能影响的测试方法：通过随机动态切换白天和夜晚的环境条件、天气变量和影响规划路径的规划算法，构建了 16 种典型场景组合。在每个场景中采集感知模块的实时输出数据，包括目标检测精度、定位建图等关键指标，采用标准化评分体系量化感知性能，通过对比分析算法在相同环境下的评分差异，量化天气因素对感知精度的影响权重，识别时间因素与算法选择的交互效应，最终建立环境条件与感知性能的关联模型，为感知传感器与算法的适应适应性提供决策依据。该评估方法不仅揭示单一因素影响，更综合捕捉多因素耦合效应，实现从数据采集到策略生成的闭环验证。通过引入场景环境的不确定性，在不确定性环境对比感知算法的变化，计算目标检测的准确率与召回率、以及定位建图的绝对轨迹误差（ATE）与相对轨迹误差（RTE），指标结果如表4 所示。

表 4 不确定性场景下 SLAM 算法的测试指标

进一步地，使用 TOPSIS 量化评估方法，对上述测试任务进行量化评估，得到结果如图 6 所示。评估结果表明，规划算法的选择与环境条件存在显著交互效应：在测试样本中，使用 D^*Lite 作为规划算法在夜间晴朗条件下展现出最好感知性能，达到测试结果的最高评分，评分为92.62；而使用 A^* 算法则在雪天环境表现最优感知性能，评分为 59.68 。从环境因素看，雾天时感知性能对规划的依赖接近，平均40 分，而雨天在使用 D^*Lite 算法时感知检测效果最好，雪天则偏好使用 A^* 算法。时间维度分析揭示，白天场景下，规划算法对感知性能的影响较小，但夜间 D^*Lite 算法可以提高感知精度。因此，为了达到无人车最佳感知性能，可依据以下场景条件进行规划算法选择：在夜间尤其晴朗条件首选 D^*Lite 算法，雪天环境优选 ∇A^* ，雨天推荐D^* Lite，雾天可根据实际需求灵活选择算法。

图 6 不同场景条件下感知性能对比

5 总结

为解决无人车 SLAM 系统在不确定性环境下的评估问题，本文提出一种基于虚拟仿真的场景不确定性量化评估方法。通过建立可配置不确定性分布的环境模型和基于运动控制的轨迹预测方程，系统分析多源不确定性对 SLAM 性能的影响机制。此外，本文设计了仿真与真实环境对比实验、多场景仿真实验，对所提方法进行了全面验证。

参考文献：

[1]Ouyang Z， Zhang Y， Jia H， Li D， Hu Q. An optimized plane detection-based topological metric for LiDAR simultaneous localization and mapping evaluation. Engineering Applications of Artificial Intelligence 2025;159：111704. https：//doi.org/10.1016/j.engappai.2025.111704.

[2]Li J， Benndorf J， Trybała P. Quantitative analysis of different SLAM algorithms for geo-monitoring in an underground test field. Int J Coal Sci Technol 2025;12：7. https：//doi.org/10.1007/s40789-025-00745-w.

[3]Piazza E， Lima PU， Matteucci M. Performance Models in Robotics With a Use Case on SLAM. IEEE Robot Autom Lett 2022;7：4646–53. https：//doi.org/10.1109/LRA.2022.3151162.

作者简介：陈圣 1989.11 男 汉族 安徽省阜阳市 硕士研究生中级职称 机电工程