机器人定位误差测量新方法解析

一种更实用的机器人定位误差测量方法

通过测量不同相机视角下位置估计之间的位移，可以帮助实现导航所必需的局部一致性。

会议：IROS 2021

相关出版物：重叠位移误差：您的SLAM位姿是否地图一致？

同步定位与建图（SLAM）是自主机器人的核心能力之一，拥有丰富的文献基础。"建图"意味着构建机器人环境的地图，"定位"意味着在地图上识别机器人的位置，"同步"意味着机器人必须同时完成这两项任务。

基于SLAM，机器人可以在其环境中规划轨迹。但没有SLAM算法是完美的。定位需要达到多高的准确度才能确保可行的轨迹规划？

在我们于今年国际智能机器人与系统会议（IROS）上发表的论文中，我们认为现有的SLAM误差度量指标不太适合导航问题。特别是，最小化全局误差可能会留下局部误差的可能性，这使得轨迹规划变得极其困难。

相反，我们提出了一种新的度量指标，称为重叠位移误差（ODE）。ODE有时可能会导致全局度量误差稍大的解决方案，但它强制执行更强的局部一致性，我们相信这将实现稳健的轨迹规划。

局部思考，全局行动

下图展示了为什么传统的SLAM度量指标对于导航目的并不理想。该图显示了一个带有两个翼楼的大型建筑物的两个不同地图，由两种不同的SLAM算法应用于相同的传感器数据生成。

在左侧，我们展示了一个全局非常准确的SLAM算法；其从左翼边缘到右翼边缘的距离估计误差仅为1厘米。然而，在左上角它出现了混淆。绝对轨迹误差（ATE）仍然很低，但算法产生了门口位置的两个不同估计（红色和蓝色），使得机器人认为开口狭窄到无法通过。因此，如果机器人想从一个翼楼移动到另一个翼楼，它将难以规划通过该开口的路径。

在右侧，我们看到另一个SLAM算法的结果。机器人的轨迹估计明显漂移，并且算法具有巨大的绝对建图误差；从左翼到右翼的误差为100厘米。然而，该SLAM算法似乎局部自一致，这意味着尽管地图是倾斜的，但仍然完全可导航。

这里的重点是，绝对误差并不是自主导航最相关的度量标准。重要的是，每当机器人通过同一区域时，它都与自身的知识保持一致。如果保持一致，它就不会删除墙壁（或创建虚假开口），也不会建立虚假墙壁（阻塞走廊）。自一致性正是我们提出的度量指标的目标。

考虑一个物理障碍物（下图中的蓝色圆圈），机器人在两个不同时间T0（芥末色视图）和T1（绿色视图）看到它。SLAM算法两次映射这个障碍物（芥末色圆圈和绿色圆圈），但由于定位不准确，两个映射的圆圈没有像应有的那样相互重叠。ODE测量从芥末色圆圈到绿色圆圈的位移误差（红色箭头）。

这种位移误差可以为同一传感区域的每对相机视图计算。如果我们在SLAM地图上叠加网格，可以通过在网格的每个单元格上放置虚拟障碍物来聚合误差。

在下图中，我们将ODE与三种传统度量指标进行比较：绝对轨迹误差（ATE）和两种类型的相对轨迹误差（RTE），线性（米）和角度（度）。在左侧，我们显示了地面真实轨迹（绿线）、SLAM算法的估计轨迹（白线）以及热图，该热图指示了如果我们使用具有两米范围的360°距离传感器，不准确的定位会引入地图中的误差。估计轨迹上的数字表示时间步长。

在右侧，我们显示了不同定位误差度量指标的图表。请注意，ODE专注于地图一致性，在轨迹估计的不连续性（第100步）和轨迹不完全相交的区域（第40步和第220步）有明显的峰值。然而，使用其他度量指标，局部不一致性更难推断。

研究领域

机器人技术

标签

[某中心] Astro、同步定位与建图（SLAM）
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）