SLAM学习笔记《Past, Present, and Future of Simultaneous Localization and Mapping: Toward the Robust-Per》

原创

已于 2022-12-02 15:39:44 修改 · 1k 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#学习 #人工智能

于 2022-11-29 23:20:23 首次发布

SLAM（同时定位与建图）是机器人领域的重要技术，涉及机器人状态估计和环境建模。本文深入探讨了SLAM的架构，包括前端和后端，其中前端处理传感器数据，后端执行最大后验估计。SLAM面临的主要挑战包括数据关联的鲁棒性、硬件故障的稳健性以及长期操作的可扩展性。当前研究着重于稀疏化方法、分布式多机器人SLAM以及度量地图模型。未来趋势指向鲁棒感知、资源感知和任务驱动的感知。开放问题涉及异常值处理、分布式建图的稳健性以及资源受限平台的适应性。

《Past, Present, and Future of Simultaneous Localization and Mapping: Toward the Robust-Perception Age》

一、引言

SLAM包含同时估计搭载传感器机器人的状态估计以及构建传感器感知的环境模型（模型）。在简单的例子中，机器人的状态可以通过它的位姿来描述（位置与方向），尽管状态还包含其它量，如机器人速度、传感器偏差（sensor biases）和校准参数。另一方面，地图作为兴趣点的表示（如路标位置、障碍物），描述的是机器人所在环境。

环境地图的使用需要是双重的。首先，地图通常用于支撑其他任务；比如，地图可以用来路径规划，或者给操作员提供直观的可视化。第二，地图可以限制机器人状态估计误差。假如没有地图，航位的推算会随时间推移而迅速漂移；另一方面，利用地图，如一系列明显的路标，机器人可以通过再一次访问已知区域（也称为回环检测）来重置定位误差。因此，在没有先验地图或需要建图的场景中得到应用。

迄今主要的SLAM综述总结在了下表
在这里插入图片描述
本文概述了SLAM当前发展状态，并提供部分社区SLAM研究的开放问题及未来方向的看法。我们主要关注点是度量和语义SLAM，我们建议读者参考Lowry等人最近的研究，主要提供了基于视觉的场景识别和拓扑SLAM的全面回顾。

回环检测事件告知机器人这条走廊不断与自身相交。回环检测的优势变得明了：通过回环检测，机器人知道环境的真实拓扑，并且能够找到两点间的最短路径(地图中点B和C)。然而，如果SLAM的优点之一是得到环境的真实拓扑结构，为何不丢掉度量信息，只进行简单的场景识别呢？答案很简单：度量信息可以使得场景识别简单并鲁棒，度量重构告知机器人回环检测的成功概率并允许丢弃虚假的回环检测。因此，虽然理论上SLAM可能是多余的(一个oracle场景识别模块足够用来拓扑建图)，但SLAM提供一种天然防御，可以防止错误的对数据关联和感知混淆，如看似一样却不在同一地点的场景，会欺骗场景识别模块。在这种意义下，SLAM地图可以提供预测和验证未来测量的方法：我们坚信这种机制对稳健操作是至关重要的。

SLAM的成熟度评估：

机器人：运动类型(如：动态，最大速度)，可用传感器(如，分辨率，采样率)，可用计算资源。
环境：平面或3维，存在自然或人造路标，运动元素数量，对称的数量，感知混淆的风险。特别注意，这些方面其实依赖传感器与环境匹配对：如，2个房间可能在激光扫描器下是完全一样的，而相机却很容易从外观线索中辨别它们。
性能要求：期望机器人状态估计的准确率，环境的表示形式（如基于路标的，还是稠密的），成功率(检测的准确率达到标准)，估计延迟，最大工作时间，建图的最大区域。

在本文中，我们认为我们正在进入 SLAM 的第三个时代，即鲁棒感知时代，其特征在于以下关键要求：

鲁棒的性能：SLAM系统在广泛的环境中长时间以低故障率运行；该系统包括故障安全机制并具有自调整能力，因为它可以根据场景调整系统参数的选择。
高级理解：SLAM系统超越了基本的几何重建，以获得对环境的高级理解（例如，高级几何、语义、物理、可供性[affordances]）。
资源感知：SLAM系统针对可用的传感和计算资源进行定制，并提供了根据可用的资源调整计算负载的方法。
任务驱动感知：SLAM系统能够提取相关的感知信息并过滤掉无关的传感器数据，为了支持任务，机器人必须执行；此外，SLAM系统产生自适应地图表示，其复杂性可能因当前的任务而异。

2 现代SLAM系统剖析

SLAM系统的架构包括两个主要组件：前端和后端。前端将传感器数据抽象为可用于估计的模型，而后端则对前端生成的抽象数据进行推理。该架构总结在图 2中。我们从后端开始研究这两个组件。
在这里插入图片描述

A、最大后验估计与SLAM后端

SLAM 的当前的标准公式起源于Lu和Milios的开创性论文，随后是 Gutmann 和 Konolige 的工作。从那时起，很多方法都在致力于改进这一优化问题的效率和鲁棒性。所有这些方法都将SLAM问题归结于最大后验估计问题，通常用因子图来解析变量之间的依赖关系。

假设我们要估计一个未知变量X，正如前面提到的，在SLAM中变量代表机器人的轨迹(即位姿的离散集合)和环境中路标的位置。
在这里插入图片描述

在这里插入图片描述
（最大后验概率：看不懂）

这是由贝叶斯公式得到的。在上式中，为给定变量测量值得似然函数，为变量的先验概率分布。当不知道先验服从何种分布时，可以假设为一个常量(均一分布)，可以从优化中直接去掉，这样最大后验估计就退化成最大似然估计。值得一提的是，不同于卡尔曼滤波，最大后验估计不需要明确区分运动和观测模型，两个模型都被看做因子，不做任何区分直接加入到估计过程。更进一步的，值得一提的是卡尔曼滤波和最大后验估计在线性高斯情况下估计结果是一致的，但在通常情况下线性高斯假设是不成立的。
假设测量值是相互独立的(即噪声不相关的)，上式可以分解为：