论文解读《A Novel Global Localization Approach Based on Structural Unit Encoding and Multiple Hypoth》

原文链接
A Novel Global Localization Approach Based on Structural Unit Encoding and Multiple Hypoth

概述

• 本文提出一种新的基于二维激光的移动机器人全局定位方法，该方法由以下几个部分组成：几何关系构建、一种新的结构单元编码方式（SUES）、一种拓展的多假设跟踪算法（MHT）；
• 本文将一条直线段的端点和方向封装成一个三维的“directional endpoint”特征；在此基础上，提出一种新的在线结构单元编码方法，来描述两个“directional endpoint”特征之间的几何关系，对动态的扰动具有鲁棒性；
• SUES与词袋方式相比有两个方面的不同：
  • SUES量化了几何关系，且不需离线训练词汇表；
  • SUES不受词汇表质量的限制；
• 将SUES整合进扩展的多假设跟踪框架（MHT），逐渐地还原全局的机器人位姿；本文使用的MHT将全局定位问题分解成一个离散的位姿估计问题，通过里程计信息获取连续的、正确的候选位姿序列；与传统的的MHT不同，本文将独立的观测结果作为先验，而似然项则由连续的候选位姿和里程计信息组成；
• 当前的全局定位方法大致可以分为基于滤波的方法和基于特征的方法：
  • 基于滤波的方法通过概率密度函数获取全局定位，概率密度函数是用机器人的状态转移和环境观测递归计算的，为了确保全局定位的准确率，该类方法在大环境中通常需要大量的位姿粒子；
  • 基于特征的方法则首先从传感器读数中提取特征，如断点、曲线、直线段、角点等，通过匹配特征，获取先验信息的候选位姿，该类方法中，数据关联和相似度测量是很重要的；

位置识别

• 在全局定位和闭环检测的过程中，位置识别有着非常重要的作用；
• 本文直线段的“directional endpoint”特征来进行位置识别，该特征包括直线段的端点位置和方向；该类特征的优势在于它简化了位姿估计，并且对环境噪声鲁棒；
• 本文还提出一种新的特征编码方式SUES，不需要任何的词汇表离线训练阶段，因此与词汇表的质量无关；

全局定位

• 本文基于多假设跟踪（MHT）的理论，通过“directional endpoint”特征，使用基于穷举搜索的位姿估计，结合里程计信息进行全局定位；

全局定位

• 本文全局定位过程图解：

橙色部分为传感器数据；紫色部分是从观测和先验全局地图获得的信息；

• 离线位姿地图由关键帧组成，每一个关键帧都包括位姿“directional endpoint”特征；

• 判断当前帧是否为关键帧，需满足两点：

  • 与上一个关键帧的的距离是否大于预设阈值；
  • 特征数量是否大于预设阈值；

• 主要流程：

  • 从直线段中提取“directional endpoint”特征；
  • 构建两个“directional endpoint”特征之间的几何关系，提出SUES来量化该几何关系；
  • 基于穷举搜索的位姿估计，使用拓展的MHT框架逐渐还原全局机器人位姿；