课程 21：Q&A 6

课程 21：Q&A 6

1.   Office Hours Week 6

问1：Graph SLAM 如何处理不可区分的landmarks ?

答：这个叫correspondence问题，实际上是2个问题中更难的。我给你一个问题关于如何去解决已知的对应性，它变成了一个持续优化的问题。但这里也有一个离散的问题，车道标志是与这个行人对应还是与那个行人对应？这有解决方案。

其中一种最好的叫做“ransac”(字母是ransack应该错了吧。。不过ransack也是一个高级搜索算法，见https://www.sitepoint.com/advanced-search-ransack/)，RANdom SAmpleConsensus(随机抽样一致)，它能让你随机指定相关性。为3或者4个landmarks，解方程组然后查找最近的匹配，然后填入。重复这样做，这样能避免局部最小值。一般来说，如果你的机器人很精准，那么取最近的landmark是一个很好的启发。但是如果你走了一个巨大的圈，你可能连接不上。这里也许有多个方式去连接，然后你能使用ransack 方法。去尝试多个选择。

问2：在一个实际的环境中，我们不知道landmarks的数量。在这个单元中，看起来我们总是假装我们知道。比如说，在您(Sebastian)展示的思维导图视频中，我们该如何处理遇到所有新的landmarks呢？还是我们在外部位置测量时不会遇到同样的问题？那些地方（外部测量），（新的landmarks会使）矩阵变得笨拙起来。

答：这是一个Great问题，我能给你多种不同的答案。其一，我们是否真的在路上有点式的landmarks，就像我之前描述的一样，像tree trucks或者房间角落。

你能使用我提供给你们的函数增长这个矩阵。对每个新的landmark你只是(在矩阵中)增加一个新的行和列。这是基本的。

然而你的问题的更有意思的版本是：什么是一个landmark?

在我们自己的映射中，比如，我们不使截然不同的特征来标志什么是landmark。而是，我们已经做的是取小的局部地图，它们被定义成超过5米的机器人移动。我们使这些地图作为最基本的实体。现在，看起来传统意义上没有任何landmarks。但是它们仍然有一个定位/位置，你仍然能匹配它们，并看到它们如何被组合起来的。

在匹配方面，你能指定一个约束，它非常像graph-like （类似图形的）约束。就是像距离和方位或者x,y距离。你能把他们扔进同一个方程组。

Assistant：听起来很像那时候你们缝合那些全景照片到一起。

对，有一个整个的领域的人在缝合这些局部图片到全局的。包括图片连接，全景连接等等。他们使用非常不同的方法，比如泰坦尼克号的三维重建。

。。。

事实上，200多年以前高斯基本上发明了Graph SLAM，只是他不知道。

问3：（大意）在编程时，我们看到了一些Hardcode,那在制作谷歌汽车的过程中，有没有出现过因为hard code导致的问题呢？

答：在斯坦福或者谷歌汽车的团队中，我让学生或者team成员，尽量避免使用if thenelse的不确定性的代码判断，尽量让这个成为一个单个的框架。结果，车子还是在车道内。然而在加利福尼亚（某些地方），也许像印度的道路。机车往往在车道之间，并（偷偷超车）。我们有时会给特别的规则。比如，我们有规则，说明某个人行横道更有可能出现行人。我们的车会对这些人行横道有不同的行为，并且对街道边上的人作不同的反应。有相当多的这种异常。

事实上，真实的世界比较混乱，你不得不真的经历一个又一个（的问题）并且尝试去定位它们。

有人说过，数学角度上来说，你在你代码中出现得越少越好。

问4：我们怎样在一个变化中的环境中使用SLAM？是否有一个方法去忘记之前的landmarks,并且去获取新的。

  答：变化中的环境—有一个非常简单的解决方法，当我们添加不确定性到我们的系统的方程中的机器人位置的时候，你能精确地做同样的对landmark位置的跟踪。它有点麻烦，但是你能说让我们在时间T确定一个landmark的位置，T₊₁时刻的landmark的位置。T₊₁时刻的已经添加了不确定性。很像机器人移动的方式。实际上没有移动发生。然后使用我们讲过的同样的数学，可以边缘化出时间T的估计。你获得了一个新的约束集合，它们一般包括了一个带有更多不确定性的landmark。你甚至能扔进一些估计landmark 移动到哪里去的东西，通过加入landmarks的速度到Graph SLAM公式中。它事实上贯穿始终。这个结果如何我没有做过。这是一个处理动态环境的方式。

问5：机器人移动的时候，它位置的不确定性变得越来越大。有方法去从我们的Omega 矩阵中获得这个不确定性吗？

答：是的，有。事实证明，这个Omega矩阵是反转的协方差矩阵。我真没有讲很多关于这方面的东西。但是它真的是反转协方差矩阵。

如果你反转那个矩阵（Omega）,你得到了整个的关于所有的landmarks和robot的协方差。如果你关注它，说，就是一个landmark,你只是获取这个相关性。矩阵的列和行。

问6：他想知道最近在SLAM研究方面一些有趣的趋势是什么？

答：。。。他讲到了很多方面的趋势，然后也提到，在计算机视觉领域，把SLAM叫做基于运动的建模。而机器人领域则叫SLAM。等等。。

问7：landmarks之间也可能会有互相发现吧，对于那些相距足够近的landmarks来说。

答：（大意）确实，这个问题，跟多机器人之间的协作也有点关系，多个机器人运动的环境，也会存在一个相互发现和运动的问题。它们之间可能通过wifi beacons之类的技术进行通讯交流。对于路标而言，比如路灯的话，你不应该假设到处会有一定间距的路灯，有的地方确实没有路灯。。。。