采摘机器人的「方向感」。融合激光雷达、视觉、IMU 等多传感器，在温室、田间等 GNSS 信号不佳环境中实现稳定、高精度的自主移动。
在已知地图情况下，机器人通过实时激光雷达、里程计、IMU 等数据完成精确定位，并以全局规划与局部规划协同的方式完成自主导航。
果园与温室是典型的非结构化环境：树体与棚架结构复杂，卫星信号常被遮挡，枝叶、晨露与密植又让感知变得困难。单靠一种传感器容易失效，导航系统需要多传感器融合，才能在 GNSS 信号不佳环境中稳定工作。
定位要稳、建图要准、规划要连续、避障要快、地图要能复用——五件事缺一件，自主行走就落不了地。
| 能力项 | 实现方式与指标 |
|---|---|
| 定位方式 | 激光雷达 + 视觉 + IMU 多传感器融合 |
| 工作环境 | 温室、田间等 GNSS 信号不佳环境 |
| 2D 建图 | 2D 雷达 + 里程计 → 栅格地图；绝对轨迹误差 0.13 m，重访精度 0.06 m |
| 3D 建图 | 3D 激光雷达 + IMU → 点云地图；结构丰富环境下达厘米级精度 |
| 全局规划 | 依托已知地图计算当前位置与目标位置之间的路径 |
| 局部规划 | 实时躲避静态障碍物，保持路径连续 |
| 位点到达 | 合适场景下成功率可达 92% |
| 地图管理 | 地图版本管理、点位清单、点位绑定与翻译 |
从首次进场建图，到机器人抵达目标位点，导航链路按固定顺序持续运行。
首次进入园区完成 2D 栅格与 3D 点云建图，生成可复用的作业地图。
激光雷达、视觉、IMU 与里程计多传感器融合，实时输出机器人位姿。
依托已知地图，计算当前位置到目标位点之间的完整路径。
实时躲避静态障碍物，保持路径连续、作业不中断。
合适场景下到达成功率可达 92%，交由手臂完成作业。
定位—规划—控制闭环运行，作业流程可连续执行；SLAM 实测精度与位点到达能力均已在真实园区作业中验证。