21、基于自适应似然模型的鲁棒蒙特卡罗定位与单视角相机的尺度不变视觉特征度量定位

基于自适应似然模型的鲁棒蒙特卡罗定位与单视角相机的尺度不变视觉特征度量定位

在机器人技术领域，定位是一个核心问题。不同的传感器和算法被用于解决机器人在环境中的定位问题。本文将介绍两种定位方法，一种是基于自适应似然模型的鲁棒蒙特卡罗定位，另一种是使用单视角相机的尺度不变视觉特征（SIFT）进行度量定位。

基于自适应似然模型的鲁棒蒙特卡罗定位

• 偏差计算 ：为了计算当前粒子集 $S$ 与真实后验 $S^ $ 的偏差，通过计算从 $S$ 和 $S^ $ 得到的直方图分布之间的 KL 距离来评估。直方图的空间分辨率为 40cm，角度分辨率为 5 度。对于离散概率分布 $p = p_1, \ldots, p_n$ 和 $q = q_1, \ldots, q_n$，KL 距离定义为：
  [KL(p, q) = \sum_{i} p_i \log_2 \frac{p_i}{q_i}]
• 权重调整 ：每当为 $p_{hit}(z | d)$ 选择新的标准差时，会调整权重 $\alpha_{hit}, \alpha_{short}, \alpha_{max}, \alpha_{rand}$，以确保所得密度的积分等于 1。
• 测量依赖性 ：原则上，$p_{hit}(z | d)$ 应编码多个方面以实现鲁棒定位，例如单个测量之间的依赖性。以 SICK LMS 激光测距扫描仪为例，它通常提供 361 个单独的距离测量值。由于粒子永远不会对应于车辆的真实位置，粒子姿态的误差会使单个测量值相互依赖。为减少扫描中各个光束之间依赖性的潜在影响，每次扫描仅使用 10 个角度间隔为 18 度的光束。

实验设置

在实际实验中，使用配备激光测距扫描仪的 Pioneer PII DX8+ 机器人在典型的办公室环境中采集数据，对上述传感器模型进行了实现和评估。实验旨在研究动态传感器模型是否优于静态模型，为此将动态传感器模型与以下几种替代传感器模型进行了比较：
| 模型类型 | 描述 |
| — | — |
| 最佳静态传感器模型 | 通过一系列全局定位实验确定，通过最大化效用函数 $U(I, N) = \frac{\sum_{i=1}^{I} (I - i + 1)P_i}{N}$ 来确定高斯分布的最佳方差，其中 $I$ 是单个实验中测量值融入信念的积分次数，$N$ 是粒子数量，$P_i$ 是位于机器人真实位置 1m 范围内的粒子数量。 |
| 最佳跟踪模型 | 与最佳静态传感器模型的确定方式相同，唯一区别是从滤波器跟踪车辆姿态的情况中学习得到。 |
| SICK LMS 模型 | 根据激光测距扫描仪的硬件规格获得。 |
| 均匀动态模型 | 在动态传感器模型中，似然函数的标准差是基于每个粒子计算的。此模型为所有粒子使用统一的标准差，该值通过取各个标准差的平均值计算得出。 |

全局定位实验

• 粒子收敛 ：在全局定位任务中，动态模型提高了收敛速度，粒子能快速聚焦于机器人的真实姿态。由于方差的动态调整，似然函数变得更加尖锐，使不太可能的粒子更早被淘汰。
• 成功定位率 ：图 7 显示了不同传感器模型和粒子集大小在 35 次测量积分后的成功定位次数。假设当粒子的平均值与机器人的真实位置相差不超过 30cm 时实现了定位。结果表明，动态模型在全局定位方面与最佳静态模型表现相同，而最佳跟踪性能的静态模型成功率明显较低，SICK LMS 模型性能最差。此外，在每次扫描仅使用一个光束的实验中，动态模型也表现更优。
• 标准差演变 ：图 8 展示了不同粒子数量的全局定位实验中平均标准差的演变。当使用较少粒子（2500 个）时，方法使用更平滑的似然函数；粒子数量越多，标准差收敛到最小值的速度越快。

graph LR
    A[开始全局定位实验] --> B[选择传感器模型]
    B --> C{模型类型}
    C -->|最佳静态传感器模型| D[计算最佳方差]
    C -->|最佳跟踪模型| E[从跟踪情况学习]
    C -->|SICK LMS 模型| F[根据硬件规格确定]
    C -->|均匀动态模型| G[计算统一标准差]
    D --> H[进行实验]
    E --> H
    F --> H
    G --> H
    H --> I[记录成功定位次数]
    I --> J[分析结果]

跟踪性能实验

在跟踪车辆姿态的实验中，将动态传感器模型与最佳跟踪模型进行比较，评估了单个粒子的平均定位误差。图 9 显示了 10000 和 2500 个粒子的两次跟踪实验的平均定位误差。结果表明，动态模型与参数针对最小定位误差进行优化的跟踪模型表现相同，这说明动态传感器模型在全局定位中具有更快的收敛速度，同时在跟踪性能方面也能达到最佳效果。

单视角相机的尺度不变视觉特征度量定位

• SIFT 特征的优势 ：Scale Invariant Feature Transform (SIFT) 已成为基于视觉应用中流行的特征提取器，它对图像的平移、尺度和旋转具有不变性，部分对光照变化、仿射或 3D 投影也具有不变性。这些特性使 SIFT 特征非常适合移动机器人，因为机器人在移动过程中通常会从不同角度、距离和光照条件下观察地标。
• 地图获取 ：为了实现基于 SIFT 特征的定位，首先获取包含视觉特征的 2D 网格地图。使用配备相机和接近传感器的机器人来简化地图获取过程，在映射过程中创建环境的 2D 网格模型，在网格的每个单元格中存储应该位于该 2D 网格位置的特征。由于观察到的 SIFT 特征数量通常较多，会对最终地图中的特征数量进行适当的下采样。
• 定位过程 ：在蒙特卡罗定位（MCL）过程中，仅依赖单视角相机，不使用任何接近信息。将相邻的粒子聚类，并使用射线投射在 2D 网格上为每个聚类估计可能可见的特征集，然后将这些相关的地图特征与从当前图像中提取的特征进行比较。在粒子滤波器的观测模型中，考虑相似特征的测量角度和预期角度之间的差异。通过应用射线投射技术，避免了将当前图像中提取的特征与整个特征数据库进行比较，从而减少了数据关联中可能出现的严重错误。

graph LR
    A[开始定位] --> B[获取当前图像]
    B --> C[提取 SIFT 特征]
    C --> D[聚类相邻粒子]
    D --> E[射线投射估计可见特征]
    E --> F[比较特征]
    F --> G[评估粒子]
    G --> H[更新机器人位置估计]
    H --> I{是否完成定位}
    I -->|否| B
    I -->|是| J[结束定位]

相关工作比较

• 图像基方法 ：一些基于图像的定位方法依赖全向相机来定位移动机器人，如 Andreasson 等人开发的方法用于匹配全景图像中局部兴趣点提取的 SIFT 特征，Menegatti 等人使用傅里叶系数在全向图像中进行特征匹配，Gross 等人使用颜色直方图比较全景图像。Wolf 等人将 MCL 与图像检索系统相结合来定位配备透视相机的机器人。这些方法需要谨慎选择收集参考图像的位置，以确保覆盖机器人可以行驶的整个空间。而本文的方法将特征存储在环境中它们所在的位置，而不是针对机器人可能处于的所有可能姿态。
• 视觉地标数据库方法 ：一些定位技术使用观察到的视觉地标数据库，SIFT 特征在度量定位和同时定位与地图构建（SLAM）中非常流行。Se 等人首次在受限区域内使用 SIFT 特征进行定位，但未应用随时间跟踪机器人位置的技术。Elinas 和 Little 提出了一个系统，将 MCL 与在同一受限环境中学习的 SIFT 特征数据库相结合。这些方法都使用立体视觉来计算地标的 3D 位置，并将当前视图中的视觉特征与数据库中的所有特征进行匹配以找到对应关系。本文提出的系统为粒子聚类确定可见特征集，然后将这些相关特征与当前图像中的特征进行匹配，从而减少了在较大环境中可能出现的歧义数量。主要区别在于，本文的方法仅适用于配备单视角相机的机器人，而其他方法需要立体视觉或全向视觉。

基于自适应似然模型的鲁棒蒙特卡罗定位与单视角相机的尺度不变视觉特征度量定位

实际实验验证

在实际的办公室环境中，使用配备单视角相机的移动机器人对上述基于 SIFT 特征的定位方法进行了实验验证。实验结果表明，该技术能够准确地跟踪移动机器人的位置。以下是实验的具体步骤和结果分析：
1. 实验准备 ：
- 准备一个配备单视角相机的移动机器人，并在办公室环境中进行操作。
- 使用配备相机和接近传感器的机器人获取环境的 2D 网格地图，地图中包含了经过下采样的 SIFT 特征。
2. 定位实验 ：
- 让机器人在办公室环境中自主移动，同时使用 MCL 方法进行定位。
- 在定位过程中，机器人不断获取当前图像，提取 SIFT 特征，并与地图中的特征进行比较。
- 通过射线投射技术估计每个粒子聚类可能可见的特征集，减少数据关联的错误。
3. 结果分析 ：
- 实验结果显示，机器人能够准确地跟踪其位置，说明基于 SIFT 特征的定位方法在实际应用中是可行的。
- 此外，实验还表明，配备不同类型相机的机器人可以使用相同的 SIFT 特征地图进行定位，提高了地图的通用性和可复用性。

实验指标	结果
定位准确性	能够准确跟踪机器人位置
地图通用性	不同相机可使用相同地图定位

方法优势总结

本文介绍的两种定位方法各有其独特的优势：
1. 自适应似然模型的鲁棒蒙特卡罗定位 ：
- 动态适应性 ：动态传感器模型能够根据粒子的状态自适应调整似然函数的标准差，提高了全局定位的收敛速度和跟踪性能。
- 性能优越 ：在全局定位和跟踪实验中，动态传感器模型明显优于静态和优化的传感器模型，具有更高的鲁棒性和效率。
2. 单视角相机的尺度不变视觉特征度量定位 ：
- 特征优势 ：SIFT 特征具有对图像平移、尺度、旋转和部分光照变化的不变性，非常适合移动机器人的定位需求。
- 减少歧义 ：通过射线投射技术确定可见特征集，避免了与整个特征数据库的比较，减少了数据关联的歧义，提高了定位的准确性。
- 通用性强 ：同一 SIFT 特征地图可用于不同类型相机的机器人定位，提高了地图的复用性。

未来展望

尽管本文介绍的定位方法在实验中取得了良好的效果，但仍有一些方面可以进一步改进和扩展：
1. 多传感器融合 ：可以将激光测距传感器和视觉传感器的数据进行融合，以提高定位的准确性和鲁棒性。
2. 复杂环境适应性 ：进一步研究在复杂环境（如光照变化剧烈、存在大量遮挡等）下的定位方法，提高系统的适应性。
3. 实时性优化 ：优化算法的计算效率，提高定位的实时性，以满足机器人在高速运动时的定位需求。

graph LR
    A[当前定位方法] --> B[多传感器融合]
    A --> C[复杂环境适应性]
    A --> D[实时性优化]
    B --> E[提高准确性和鲁棒性]
    C --> F[适应复杂环境]
    D --> G[满足高速运动定位需求]

综上所述，本文介绍的基于自适应似然模型的鲁棒蒙特卡罗定位和单视角相机的尺度不变视觉特征度量定位方法为移动机器人的定位提供了有效的解决方案。通过实验验证，这些方法在实际应用中具有良好的性能和优势。未来的研究可以进一步扩展和改进这些方法，以满足更复杂的应用需求。