随着信息化技术的快速发展，大数据、物联网、人工智能、虚拟现实、三维可视化和智能开采等领域的理论方法和技术逐渐应用到矿山建设中（吴群英等，2020）。现如今，建设“数字矿山”、“智能矿山”对我国矿业发展意义重大。“智能矿山”建设的重要内容之一便是矿山开采设备的自动化和智能化，包含研发自动定位与导航、遥控全自动高效矿山设备以及地下矿山无线通讯系统等。自动化、智能化的开采设备不仅可以将矿山井下作业人员从繁重、危险的开采作业中解脱出来，最大程度上保证矿山人员的健康及安全，而且可以降低矿山生产成本，提高企业生产效率及经济效益。此外，由于自动化、智能化开采设备可以在地下深部“三高”等极端环境下作业，从而提高了矿产资源利用率（古德生，2014）。地下矿山开采设备的自主定位是实现设备自动化、智能化的关键技术，在国家着力推动智慧矿山建设的大环境下，研究和发展高精定位技术对于井下智能化开采具有重要意义。

目前，井下设备定位系统以无线通讯系统、惯性传感器、视觉传感器和激光扫描传感器等其他环境传感器为基础硬件，借助信息采集与融合、导向定位算法以及三维地图构建等软件技术实现定位。其中，传感器是实现井下车辆精确定位的关键设备元件。井下定位最初是以单一传感器获取外部数据，往往存在获取数据单一、获取数据受外界环境影响大以及自身性能缺陷等问题，因而不能满足矿山井下实际高精定位要求。例如：Cypriani et al.（2013）将利用WIFI信号的室内定位方法应用于井下巷道定位中，精度不能达到设备定位要求，只能用于井下人员定位；部分学者将UWB技术应用于井下定位（Qin et al.，2015；Li et al.，2020；Zhang et al.，2017），但是该技术只有在与其他优化算法和传感器结合的情况下才能取得较稳定的结果；国外学者提出基于VLC的新型定位方法（Firoozabadi et al.，2019），存在在非视距环境下无法定位的缺陷。此外，基于视觉信标（Xu et al.，2017；Wang et al.，2011）和激光信标（杨超等，2011；迟洪鹏等，2015；严勃等，2018）的定位技术也在多种矿井环境下得到应用，但是存在设备设施投资大、对矿山变动性环境适应性差等不足。国内外先进矿山的定位技术发展到现在，逐渐形成了以激光传感器为主的多种传感器相互协作的技术特点，比如基于SLAM技术结合IMU、里程计等传感器，利用改进算法等可以实现比较稳定且准确的定位和建图结果（Kanellakis et al.，2016；Park et al.，2014；Li et al.，2019；Wu et al.，2018；吴荻，2019；Zhu et al.，2019；Ren et al.，2019；毕林等，2020）。

然而，由于井下环境的复杂性以及矿井作业的变动性，目前井下设备定位技术的应用仍然存在技术单一、协调性差以及环境适应性不足等问题，相关技术还未形成比较完善的系统理论和方法。因此，本文从井下定位元件——环境传感器出发，对井下多种不同特点的定位方法进行综合评述，指出井下定位研究现状及存在的不足，并总结展望了矿山井下定位技术未来发展趋势。

井下开采设备的自主定位需要依赖多种环境感知传感器，其主要类别可以划分为以下5类：无线通讯、惯性、视觉、激光和其他（如光电编码传感器、角度和磁场传感器等）。通常井下设备的定位方法需要使用多种传感器，以便获得更高的定位精度和算法稳定性。井下常用设备定位使用传感器如表1所示。

无线通信技术自20世纪90年代开始逐步应用于矿山井下设备的定位之中，常见的技术有WIFI、Bluetooth、Zigbee、射频识别技术（RFID）、超宽带无线载波通信技术（UWB）、 红外通信方案（IrDA）和近些年逐渐发展起来的可见光通信技术（VLC）。

通过无线通信技术进行定位主要有2类测量方法（王恩策，2019），即基于测距的方法和基于非测距的方法。常用的是基于测距的方法，其根据技术手段可划分为基于信号到达时间（TOA）的方法、基于信号到达时间差（TDOA）的方法、基于信号到达角（AOA）的方法以及基于信号到达时强度（RSSI）的方法，其中前3种方法的定位原理图如图1所示。基于非测距的方法有质心定位、APIT定位、凸规划定位和DV-Hop定位等。基于测距的定位方法相比非测距方法有更高的精度，但是硬件成本往往较高，而基于非测距的定位方法通常精度较低，不能满足井下设备定位要求。

惯性传感器主要划分为2类：线加速度计和角速率陀螺仪。惯性传感器可以单独使用，也可以组合使用，组合使用有利于弥补单独使用时存在的不足，达到测量结果更加准确的目的（张鋆豪等，2019），比如惯性测量单元（IMU）是由三轴加速度计和三轴陀螺仪组成的，惯性导航系统（INS）包含3个加速度计。惯性传感器是井下环境中设备定位导航的重要部件，具有完全自主、不受烟尘干扰、短时精度高和实时性强等优点。但是，惯性传感器的测量误差会随着时间积累，为了保证设备的定位精度，通常需要结合其他传感器和定位技术对惯性传感器的测量数据进行修正。

视觉传感器一般指单目、多目相机、RGB-D相机和事件相机（Huang et al.，2020）。这几种视觉传感器的优缺点比较如表2所示。

视觉传感器主要有以下功能：获取巷道环境的图像特征、识别巷道内提前铺设的人工信标信息。然后，基于三角测距原理及相机投影模型测量环境中目标的距离（RGB-D可以直接输出深度距离信息）进行定位。在地面室内环境中基于视觉传感器的定位技术发展迅速，以视觉SLAM技术为代表。

激光雷达是井下环境中常用的环境感知传感器，通常由激光发射器、接收器和信号处理单元组成。激光发射器产生并发射光脉冲，光脉冲打到目标物体上后反射，然后通过接收器接收反射光脉冲，由于光速是已知的，激光雷达可以基于 TOF（Time of flight）原理进行测距，即通过同一光束从发射到反射回来的时长及光束的发射角度，计算出所测空间点的局部三维坐标。

激光雷达具有测量精度高、测量范围广以及在暗光环境下不受影响等优点，同时三维激光雷达也能够获取足够丰富的环境特征信息，因此激光雷达是井下环境中设备定位常用的主要传感器，定位精度可以达到厘米级。

在井下设备定位的过程中经常使用到里程计（光电编码传感器）、角度传感器及磁场感应传感器等辅助传感器。（1）里程计具有价格便宜、方便易用、测量频率高、短距离可以实现比较精确的定位等优点（吴显，2016）。里程计安装于井下设备轮胎部位，结合设备运动模型能够得到其大致位置，但其稳定性不足以满足定位要求。（2）角度传感器为井下设备定位过程提供约束，如矿井铲运机这种铰接式设备，对其进行定位需要快速准确地测量铲运机铰接角，以提高铲运机自主行驶时的轨迹跟踪和控制精度（李建国，2016）。（3）磁场感应传感器也被部分研究人员应用于室内定位或地图构建之中，常结合其他传感器获得磁场数据，以获得良好的定位结果。

当前，井下设备定位技术是矿山智能化发展的研究热点之一。地下金属矿山井下环境具有特殊性，包括缺乏GNSS定位技术的良好支撑、开采粉尘大、环境噪声多、照明条件差以及采场变动复杂等特点。因此，实现矿山井下设备的实时高精度定位具有一定技术难度。

目前已有的矿山井下定位技术可以划分为2类：一类是需要在井下环境中添加外部设备进行辅助的定位技术；另一类是不需要外部设备辅助，仅依靠井下开采设备自身携带的传感器进行定位的技术。同时，随着地面无人驾驶技术及室内定位技术的不断发展和成熟，越来越多的研究人员尝试将相关技术应用到井下环境设备定位研究之中。

基于无线通信节点进行定位的方法通常是通过无线传感器组网（WSN）技术实现。首先提前在设备运行的巷道环境内铺设无线节点，并确定节点的准确位置，要求布设节点对该环境实现信号完全覆盖，从而形成完整的无线传感器网络；然后收集与位置和距离相关的信息，通过对信息进行处理和分析，估计位置节点所在的三维坐标。井下WSN节点定位一般包括对监测节点的定位和对井下人员及设备的定位（张可，2019）。

Cypriani et al.（2013）将基于WIFI信号的室内定位方法OwlPS（The Owl Positioning System）应用于井下巷道中，其定位精度约为5 m，只能对人员大概位置进行定位，远远不能达到智能化设备的要求。所以，将基于WSN的定位方法应用于井下环境通常需要合理设计、改进算法并融合多种传感器，从而去除噪声、提高精度。

Qin et al.（2015）提出了一种基于粒子群优化（PSO）的UWB定位算法。该算法基于超宽频飞行时间（TOF）进行测距，同时为了降低链式无线网络中的通信开销和定位时延，提出并实现了一种基于粒子群算法的分布式定位算法，在不需要额外硬件支撑的情况下实现了精确实时定位。作者在巷道内布置网络进行了试验，结果显示该方法对节点的定位误差在0.3 m以内。

依靠无线通信技术通常只能得到井下3个直角位置坐标，无法得到六自由度的设备位姿。Li et al.（2020）提出结合UWB和IMU传感器数据的井下设备定位方法。首先基于UWB信号利用三边测量确定设备的初始位姿及速度，然后去除异常值，通过EKF系统修正基于UWB的定位数据，同时，根据IMU测量数据对设备的位姿进行运动估计，并将扩展卡尔曼滤波（EKF）系统输出的UWB定位数据作为运动观测，通过误差扩展卡尔曼滤波（EEKF）系统进行数据融合，能够实现六自由度的位姿状态估计，并且可以反演外部传感器配置和IMU偏差。该文作者在多种场景进行了试验，将试验结果与目前最先进的三维激光SLAM技术LOAM（Zhang et al.，2017）进行了对比，证明该算法具有较高的定位精度和鲁棒性。

Fan et al.（2014）为了实现采煤机的动态定位，研究了一种基于SINS/WSN的采煤机动态定位方法。首先建立了采煤机的运动模型，掌握采煤机在采煤工作面的运行规律。其次，针对封闭式矿井内GPS进行捷联惯导系统外部标定不可行的问题，利用WSN定位策略以消除捷联惯导系统产生的累积误差，并建立了相应的耦合模型，通过组合滤波对定位数据进行融合。最后通过仿真和试验对定位性能进行了分析，得出姿态角的误差小于0.7°，位移误差小于0.2 m，满足精度要求。

基于可见光通信（VLC）的方法通常以LED光源为节点，具备照明和数据通信双重功能，数据传输速率最高可达100 Gbps。Firoozabadi et al.（2019）提出了一种新型VLC定位方法。该方法需要在巷道顶部安装LED信号收发机，同时在待定位设备和人员身上安装光探测器，将光信号转变为电信号，并根据接收到的信号功率计算二者之间的距离，其中每个接收器至少需要3个及以上的LED光源信号才能够完成定位。算法系统中对接收到的信号进行了光学滤波和有限脉冲响应频率滤波，去除信号范围之外的光照影响及分离识别不同的LED光源，然后使用放大器放大信号，通过接收到的信号功率大小进行定位，得到大致区域，将该区域距离LED光源最近的点作为设备的坐标位置。通过模拟验证可知，该方法在78%的情况下能达到20 cm的精度，其缺点是易受其他光源影响，以及在非视距环境无法定位。

通过总结无线通信定位方法的研究发现，单纯依靠无线通信技术进行定位只能得到设备的坐标信息，没有具体的姿态信息。同时，无线通讯用于定位的方法存在非视距场景和多路径规划等问题，因此主要用于人员定位，若要满足智能设备的定位常常需要结合其他传感器才可以进行。

结合视觉信标特征用于井下设备定位也是常用方法之一，因为图像能包含丰富的外部信息，对于定位数据的获取有很大的帮助。随着近年来视觉识别技术的飞速发展，利用视觉对信标特征进行识别的技术也不断应用于井下定位。

Xu et al.（2017）提出了一种基于视觉传感器和超声波传感器的井下设备定位方法。基于UPC-A代码设计了条形码标签，并以一定间隔成对地部署在巷道两侧，每个条形码左上角的内角点对应着真实坐标，利用视觉距离投影模型，确定该内角点至车载视觉传感器的距离。超声波传感器检测车体中心点至巷道壁的距离，使车辆始终保持安全行驶方向。然后基于以上信息通过建立条形码信标和车辆的空间几何关系，求解车辆设备实时三维坐标。巷道内的实车试验显示，该方法在直线形巷道内的平面坐标定位的平均误差为0.142 m，在弯曲巷道中为0.381 m。

Wang et al.（2011）提出了基于图像编码序列信标的矿山开采设备定位方法。该方法的流程设计与传统单目SLAM算法类似，与传统单目SLAM中配准不同的是，该方法需要提前在巷道内铺设图像编码序列信标，然后通过提取SIFT特征点识别图像编码序列信标，从而得到事先纪录的信标准确位置，在识别到不少于4个信标之后，利用正交投影迭代变换算法（POSIT）迭代解算设备的实时位姿。作者在室内进行了模拟试验，并将定位结果与基于传统迭代最近点（ICP）的单目SLAM结果进行比较，结果表明二者定位精度相似（位移误差为 ±4 cm，角度误差为0.2°），但Wang et al.的算法具备更高的实时性，能够在60 ms以内解算位姿，同时在不易提取图像特征的环境之中具备更高的稳定性。

视觉信标需要保证充足的光源，但是井下环境光照变动性大，在这种环境下很难保证系统运行的稳定性，因此有学者设计了激光人工信标，并应用于井下设备的定位研究中。

基于激光扫描信息对井下设备进行定位的技术相比基于视觉信息对井下设备进行定位的技术具有先天的优势，包括激光雷达运行更加稳定、测量速率高、可以在暗光环境下正常工作等。

杨超等（2011）基于反应式导航和条形码信标设计了铲运机自主定位导航系统。该系统利用陀螺仪、里程计、激光雷达及角度传感器，基于“沿壁法”使矿井铲运机维持一个安全的运行状态，然后在巷道关键节点（例如起点、采掘点和倾倒点等）设计了条形码信标，根据激光点在条形码处的反射率进行特征点提取及归类，然后识别信标信息，得到铲运机精确位置并做出行为决策。经过样车实车在实验室和露天环境反复测试，该系统可以达到铲运机稳定自主定位导航的目的。

迟洪鹏等（2015）基于激光雷达、陀螺仪及里程计设计了结合激光信标的地下无轨车辆定位方法。使用镂空的金属框作为激光信标，将扫描金属框的激光数据基于距离进行二值化处理，获得信标中包含的信息。整体的定位策略是，首先基于陀螺仪、里程计和激光测距进行车辆在巷道内的航迹推算，然后基于激光信标对航迹推算的结果进行校正，消除误差。仿真及实车试验证明，该方法能够按照预设路线走完120 m全程，最大误差只有15 cm。

严勃等（2018）针对地下金属矿山的环境特点，设计了基于激光识别信标的矿井铲运机定位辅助算法。该激光信标采用高亮、高反射率的材料，部署于巷道的转弯和岔口处，根据信标的长度进行区分和识别。通过对激光扫描数据进行预处理、二值化、膨胀与腐蚀处理，识别信标，用以帮助识别岔路口及转弯，能有效辅助设备完成自主定位及控制。

基于设备自身携带的传感器就能够实现高精度定位的方法，具备更好的灵活性和适应性。由于地下矿山开采是动态的过程，设备的作业环境和区域会发生改变，结合外部设施进行辅助的定位方法，需要对外部设备进行重新安排部署，增加了时间和物力成本，从而降低了矿山生产效率，因此仅依靠矿山开采设备自身携带的传感器就能实现精确定位的方法是目前国内外的研究热点。本文将这些方法归为2类：一类是基于自身传感器定位的经典方法；另一类是基于SLAM技术的定位方法。

Makela et al.（2001）提出了一种基于训练数据集的铲运机导航定位方法。前期基于二维激光扫描信息采集巷道数据，以人工训练的方式生成导航度量地图，然后利用角度传感器、里程计和陀螺仪获得的位置和航向数据，通过测程法估计铲运机的位姿，最后基于前期训练的导航地图进行误差校准，得到矿井铲运机的精确位姿。该方法的缺点是前期训练地图耗费时间过多，然而该文作者通过实车试验，证明该算法具有较高的实时性，可以保证铲运机以28 km/h的速度在巷道内自主行驶。

Gao et al.（2019）提出了一种基于 IMU及模型约束的矿井铲运机定位方法。首先使用2块IMU单元获得矿井铲运机的估计位姿，然后利用光电编码器、液压传感器和长度传感器的数据，基于矿井铲运机动力学模型及铰接点运动模型，分别对铲运机的线速度和航向角进行约束，数据融合的过程中2次使用卡尔曼滤波（KF）算法，该方法能够精确求解矿井铲运机的实时位姿信息。地面实车试验显示，该方法在铲运机行驶速度上的估计均方差为0.21 km/h（1.2%）、航向角误差均方差为2.08°（4.2%）、位移误差均方差为0.26 m，具有较高的定位精度。与上述方法相似，Jin et al.（2015）为了提高矿井铲运机的控制算法稳定性，在前后2个车架分别安装INS，并在车体安装了角度传感器等。根据铰接式车辆动力学模型，基于无损卡尔曼滤波系统（UKF）对其直线行驶、越障和转弯时的横向和纵向运动状态进行了估计，通过试验得出的结果与实际情况的误差在5%以内。

Wu et al.（2020）设计了基于捷联式惯导系统（SINS）的采煤机定位方法。该方法使用IMU及里程计数据对采煤机进行定位，定位过程中利用卡尔曼滤波（KF）对传感器数据进行融合优化，同时分析了采煤机的运动特性，不仅能够准确地描述刮板输送机的形状，而且可以提供采煤机的集料位置、角度和长度等信息，可以实现采煤机的高精度定位。

近年来，基于深度学习进行定位的技术发展迅猛。Zeng et al.（2019）基于深度学习原理提出了一种井下设备快速定位方法。该方法仅依靠视觉信息，基于匹配像素在巷道顶部查询图像和参考图像之间找到同形图，进行定位。由于算法设计过程中仅使用FCN提取出的高质量样本点生成像素对应，所以具备很高的执行效率，可以达到每秒5帧，不过定位精度较低，误差范围为1.2 m。

SLAM（Simultaneous Localization and Mapping）技术仅依靠自身携带的传感器便能够在未知环境中实现快速同步定位与建图，是近几年矿山智能化研究的热点。SLAM技术在地面无人驾驶领域已被广泛采用，其系统稳定性、定位和建图精度以及实时性都比较高，并且适用于缺乏GPS信号的环境。SLAM可以划分为基于激光和基于视觉两大类，为了提高精度和稳定性，通常还会结合IMU和里程计等传感器。近年来，学者们将SLAM技术应用于矿山井下设备定位研究之中，且大多数SLAM技术是不需要依赖外部设施辅助的，仅依靠自身的传感器就能完成设备的定位及地图构建。

早在2004年，Nuchter et al.（2004）就通过激光SLAM方法针对不适合人员直接进入的地下矿山采区进行三维环境地图构建。该团队使用Groundhog机器人平台，基于ICP进行点云配准，并利用了KD树和中值滤波方法，降低算法复杂度和时间消耗，成功构建了待测环境的三维地图。

Kanellakis et al.（2016）使用无人机携带RGB-D相机和网络相机，测试了基于视觉SLAM技术在矿井环境中进行精确定位建图的可行性，其中基于RGB-D的算法效果更好。然而该文作者认为虽然视觉SLAM在巷道内应用的可行性较高，但受到环境光影响大，动态性能还需提高，为了达到精度和稳定性要求，需要考虑融合IMU及激光雷达等传感器。

Park et al.（2014）提出了一种结合重新测量磁场序列和图优化SLAM的新算法，用来确定定向钻井技术中钻头的位姿。该方法使用磁场感应传感器，利用地下同一位置不同时刻磁场的相似性约束，通过图优化方法，对由钻口编码器和钻头三轴陀螺仪测得的钻头位姿数据进行优化，得到钻头的精确位姿。在模拟试验场景中，各个节点的位姿距离误差均方差为0.103 m，终点处的方位角误差为0.1°左右，相比单纯基于陀螺仪和编码器的航迹推算方法，定位精度提高了一个量级。

Li et al.（2019）基于三维激光SLAM技术，设计了能够快速同步完成井下环境建图和井下设备定位的算法系统。通过3D-NDT构建激光雷达里程计约束条件，完成帧间运动估计、关键帧选取及回环检测，并通过迭代RANSAC算法提取巷道内地面和巷道壁的平面约束，结合巷道平面约束及回环检测约束，通过图优化系统对巷道地图和设备的位姿信息进行优化。在巷道真实环境中进行试验，作者分析了建图精度，在特征丰富的环境下，118 m的巷道存在4.7％的误差，在缺乏特征的环境下算法发生退化，200 m和70 m的巷道分别产生了24%和29%的误差，试验结果精度不高的原因是该方法使用单一传感器存在缺陷，未融合IMU等其他传感器。

Wu et al.（2018）提出基于点特征和线特征相结合的二维激光SLAM，对井下设备进行定位。该方法提取激光点云数据中特征点和特征线的端点，利用ICP的方法进行帧间配准，得到井下设备实时位姿，并生成二维栅格地图。在地面廊道环境的建图试验中，2 m宽度的廊道内，建图定位位移误差为10~20 cm（5％~10%），在181 m长的地下矿山巷道环境中，定位平均误差为2.1 m，最大为4.3 m。与经典的Hector SLAM方法相比，该方法在相同试验环境中具备更高的精度。该团队还进行了视觉SLAM在矿井铲运机定位中的应用研究，并结合井下巷道环境特点，改进了基于ORB和CENSUS直接法的立体视觉里程计算法，取得了良好的效果，为视觉SLAM在井下环境中的应用奠定了基础（吴荻，2019）。

Zhu et al.（2019）针对地下矿山井下设备定位问题，对传统粒子滤波SLAM方法做了改进。该方法使用改进萤火虫算法对粒子的采样过程进行优化，相对传统粒子滤波SLAM方法，有效提高了粒子分布合理性及计算效率，定位精度也有较大提高。

Ren et al.（2019）提出了基于多种地下巷道环境特征约束的三维激光SLAM算法。首先该方法基于GICP配准原理，设计了激光雷达里程计和回环检测模块，使用RANSAN算法提取巷道中的平面特征约束；然后基于图优化系统融合以上约束信息，同时根据地下矿山巷道本身的特征设计了噪声去除算法；最后根据优化后的最优位姿，映射点云数据生成了巷道高精度点云地图。该文作者在多种巷道环境进行了建图试验，并与LOAM、LEGO-LOAM及BLAM算法进行了对比，验证了该文算法在保证精度的同时，具有更好的鲁棒性，在环形巷道内也能保证地图一致性。

笔者针对地下矿山用于精确定位时的巷道边线信息提取问题，提出了一种基于二维单线激光雷达扫描信息和随机抽样一致性的检测方法（毕林等，2020）。与多线束雷达相比，单线激光雷达具有体积小、速度快、数据量少和成本较低等优点。考虑到矿山井下条件的复杂性，将不同环境下采集到的6组激光点云试验数据进行处理，先计算各个激光点的曲率，划分激光区域，再应用算法提取巷道边线，筛选巷道边线，最后合并筛选过后的激光数据，生成最终的巷道边线。该方法计算出的巷道边线可靠度均在96%以上，算法解算时间在0.1 s以下，具有良好的准确性和实时性。

SLAM技术在应用中有其独特的优势，但也存在一些问题和障碍。比如，相比于城市中具有典型道路边缘特征规则和行道线特征的结构化路面，多数矿山工作面及周边道路多为边缘特征不清晰、路面起伏较大、分布有不规则障碍物的非结构化路面。利用三维激光SLAM方案进行定位和建图时，对于非结构路面的特征提取会面临许多问题，比如使用雷达扫描时获得的点云错误数据和误差数据较多，道路边缘特征点缺少等。张波（2016）对从非结构化道路中采集到的点云数据进行预处理和随机抽取列值，然后利用傅立叶变换获得其功率谱密度以达到从时域到频域转换的目的，再对频域特征进行分析和处理，获得良好的点云数据。此外，在点云出现累计误差时，常常需要借助相关算法来优化误差。Kummerle et al.（2011）通过最小二乘法对累计误差进行消除；Bosse et al.（2008）应用基于图优法的方法，将周期性下的局部地图扫描结果和全局地图扫描结果相匹配，将匹配后的结果应用到SLAM系统，可以对较长时间范围的扫描特征点进行优化。

基于SLAM的定位技术由于其本身可靠性强等特点，特别是激光SLAM的理论知识和框架已比较成熟，是目前最稳定、最主流的定位导航方法，可以在井下这种复杂室内环境中正常运行，具有建图直观、精度高以及不用借助外部辅助设施的优点。视觉SLAM具有结构简单、成本低以及传感器探测范围大等特点，但由于受环境光因素影响大，因此在井下的应用还需要考虑融合激光雷达和结合优化算法等，才可以获得较好的定位和建图结果。可以预见的是，未来SLAM在矿山井下设备定位的应用特别是多传感器融合技术是一种必然的趋势，将有利于促进高精定位技术的不断发展，为实现地下设备智能化提供良好的基础条件。

通过归纳国内外当前最新的研究成果，根据当前矿山井下设备定位常用传感器的技术特征，将井下设备定位技术按照是否需要外部设施辅助进行分类：一类是包括结合外部设备如基于无线通信、视觉和激光信标等的定位方法；另一类是基于井下自身携带的传感器的定位方法（如基于SLAM的定位方法）。由于井下环境干扰噪声多，包含非视距及缺乏照明的场景，而定位技术的效果既要满足设备自动化要求，又要实现高效率、低成本、易实施的目标，因此本文认为未来井下设备定位技术发展趋势是融合多种传感器数据，以提高在复杂矿井环境下定位技术的稳定性和精度。同时，相比于借助外部设施的定位方法，单独依靠设备自身携带传感器便能完成实时精确定位的技术（如SLAM技术）具有良好的灵活性、高效性和适应性等特点，在考虑多种传感器融合的技术条件下，该类方法是当前及未来井下设备定位技术的发展趋势。