Active Mapping and Robot Exploration: A Survey 主动建图与机器人探索：综述

标题： Active Mapping and Robot Exploration: A Survey
作者：Iker Lluvia, Elena Lazkano, Ander Ansuategi
机构：Autonomous and Intelligent Systems Unit, Fundación Tekniker, Eibar, Spain 泰克基金会，艾巴尔，西班牙；
University of the Basque Country (UPV/EHU), 20018 Donostia, Gipuzkoa, Spain 巴斯克大学，西班牙

摘要

及时定位与建图反应了这样一个问题：在没有任何先验信息的情况，仅基于一个或多个自身传感器获得的数据来进行环境建图。在某些情况下，机器人被人工控制，但是一些系统能够在建图过程中自主导航，我们将其称之为本地及时定位与建图 native simultaneous localization and mapping。该策略聚焦于主动计算探索环境的轨迹，同时以最小的误差构建地图。在本文中，针对那些对室内移动机器人做出的重大相关贡献，我们对该领域的研究做了全面的回顾。

关键词

mobile robots; mapping; exploration; fronties; next best view; path planning

1. 简介

对移动机器人导航问题的关注由来已久，该问题被分为三个子问题：环境建图，定位和轨迹规划。近几十年来，这些问题已经发展成为广泛的研究领域，分别用确定性的方式解决了，但是忽视了机器人感知和运动中的不确定性。在 1990 年代初期，通过开发能够明确考虑机器人传感器内在不确定性的算法，概率机器人颠覆了传统的导航方法。概率机器人致力于通过概率分布表示不确定性和信息，并不基于单一的猜测。随着这些方法的兴起，出现了同时定位和映射 (SLAM)，也称为并发映射和定位 (CML) 的问题：传感器读数相对于全局参考系的映射取决于机器人在其中的位置以及由于影响构建地图过程的累积里程计误差而导致该机器人姿势的不确定性。视觉里程计允许使用任何类型的运动提高机器人或车辆的导航精度。来自相机或者惯性传感器的视觉信息与车轮运动信息的结合允许我们解决漂移并且提供了更加精准的定位。然而，建图误差与机器人的位姿是相关联的。因此，这两个问题应该一起解决。机器人在室内和室外所使用的SLAM技术是不同的。室外环境更加充满挑战，因为并没有特定的限制以及选择下一个导航点或者终止的准则是完全不同的。此外，室内和室外经典SLAM系统在机器人的个体需求、所提供的传感器以及形态上个不相同，马尔可夫、基于卡尔曼滤波和基于例子滤波是用于解决SLAM问题的最常用技术。虽然在静态环境中SLAM问题被认为已经得到了解决，但是在建图的过程中，机器人通常被人遥控指引。用这种方法，能够最小化轮上漂移，确保对环境的全覆盖。一旦地图可用，集使用随机规划技术用于导航，例如部分可观马尔可夫过程 Partially Observable Markov Decision Process (POMDPs)。
SLAM 技术的出现推动了巨大的进步，并为机器人开发开辟了新的可能性，但在添加环境动态或增加维度时，性能方面仍然存在相当大的挑战。然而，遥控机器人建图是一个高耗时项目，尤其在大型区域中或者机器人的运动受限的情况下。其他方面，诸如在自然灾害的救援行动中，由于连通性的不足或者危险状况，机器人是很难甚至无法被引导。
主动SLAM，在下文中称之为ASLAM，是主动规划机器人路径，同时建图和在其中定位的任务。ASLAM相比传统SLAM问题更进一步，因为ASLAM致力于机器人在建图过程中自主运动。ASLAM能够简化横多应用中的导航系统的设置，因为机器人能够在没有人的交互下依靠自己建图。
据作者所知，目前缺少ASLAM的综述，仅在某些文献中作为一个非常特殊的子主题。这是目前工作的主要动机。我们希望对这个复杂问题进行整体描述，同时为相关研究人员提供所需的解决方案的参考。我们主要研究了室内静态环境中以及单一机器人的任务。使用多个机器人能够进一步的完善该课题，面向多机器人探索的文献不在该综述的范围内。在提供ASLAM的信息时，为了读者的清晰理解和实用性，本文的组织如下：第二部分简述了问题的历史发展；第三部分详述了组成所有ASLAM策略的三个迭代步骤；第四部分详述了现有文献中为了提升已有解决方案性能的优化策略；紧接着第五部分，通过所描述的沟通进行位置重访问行动；关于世界维度的差异，以及计算相关的问题在第六部分进行阐述。第七部分总结了本文所提到的技术路径之间的不同。第八部分概述了该领域的发展方向以及公开的研究问题。最后，第九部分总结了全文，为未来的研究提供了可行的方案。

2. 历史回顾

直到1940年代第一个移动机器人出现后到的20年，Shakey，一个能够推理自身行为的多用途移动机器人才被制造出来。自此以后，开发出了许多用于不同领域的移动机器人。
然而，为了自主地执行任务，需要对机器人进行导航。尽管开发了大量的算法用于建图、定位和轨迹规划，但是移动机器人的导航仍未完全解决。正如简介中提到的，建图与定位最初是分开研究的。之后，人们证实了他们两者之间依赖，这个问题也开始称为SLAM。然后，基于SLAM的系统广泛地扩展到替他领域，诸如基于视觉的在线3D重建或者自动驾驶汽车。因为每个领域有用其各自的要求，作为信息源的传感器也可能是不同的，尽管其中的大多数归类为距离传感器和基于视觉的系统，无论是2D还是3D系统。许多其他的传感器被配置为主要的信息来源或者附加的信息源，例如GPS、轮速里程计、声纳或者IMU。不过，许多研究者选择雷达或者相机，因为绝大多数的机器人是在GPS缺失的室内环境中运行的，并且其他的传感器通常精度不够。许多车辆中加入IMU作为附加传感器，与其他设备相比较，IMU能够提供旋转轴相关的信息。实际上，一些相机已经内置了IMU。
值得一提的是，在标准SLAM过程中机器人通常是由人引导，为的是确保环境能够被完整的覆盖，并且环路是闭合的。实际上，在一段长距离的探索阶段之后的识别一个已经建立的地图，被称之为闭环检测，这是SLAM过程中的最主要的问题。闭环检测是指利用对已经建图的区域的检测来最小化导航中的累积误差。操作人员也有责任决定机器人的轨迹和终止准则，这些因素直接影响结果地图的质量，从而影响相应导航的性能。局部漂移的结果是在运动期间累积的，增加了不确定性并且导致了一个不精确的估计。闭环检测极大的提高了地图相对遍历路径的准确性，因为闭环检测企图修正机器人位置的误差。在解决全局定位问题时，识别之前访问过的位置具有重要的意义，并且能很容易恢复失去定位的机器人。闭环检测方法不同于其他，因为他们可能面向特殊的地图表示。尽管如此，生成的模型通常需要一个优化过程来修正任何错误添加的元素。这通常是传感器噪声以及移动机器人漂移的结果。这个后处理可以手动，也可以自动完成。
通过开发自动运行探索步骤的方法，地图探索或者ASLAM假装克服了之前提到的劣势以及潜在资源的不协调性，例如，通过在线选择路径或者导航子目标自动化机器人导航过程能获得更加精确的地图。在最近十年被广泛研究的探索领域exploration field，为移动机器人提供了巨大的优势，尤其在恶劣环境中。
主动探索在一些文献中也被称为自动 SLAM (automatic SLAM) [34,35]、自主 SLAM (autonomous SLAM) [36-38]、自适应并行建图与定位(adaptive CML) [4]、SPLAM（同步规划、定位和建图Simultaneous Planning, Localization and Mapping）[39] 或机器人探索(robot exploration) [40]。

ASLAM in Different Research Fields

“主动运动选择”的概念来自两个研究领域：移动机器人和计算机视觉。在机器人 [41]中，探索是指自主创建未知环境的操作地图。除了在处理不确定定位的同时生成世界表示外，机器人还必须控制其运动。也就是说，它必须计算目标以及为实现这些目标而采取的动作，同时积极应对意外情况。
在计算机视觉中，问题表现为主动感知 [42]，它被定义为从环境中收集信息以减少元素周围不确定性的智能和反馈过程。它被认为是智能的，因为传感器的状态会根据传感策略有目的地改变。应用于移动机器人的主动感知描述了机器人确定指定运动以便更好地了解环境的能力。在定位的背景下，移动传感器的位置与/或航向，以尝试搜索减少位置不确定性的路标点。因此，周围元素的形状、几何形状或外观不可能是未知的，机器人必须能够准确地识别它们。这被称为主动定位，尽管假设已经对环境进行了建图，但该领域的许多拓展可以延伸到本综述研究的 ASLAM 问题中 [43-45]。特别值得一提的是张等人的成果 [46]。一方面，他们为微型飞行器提供了一种perception-aware receding horizon planner，允许机器人到指定目的地并同时避开视觉退化区域[47]。另一方面，他们为感知感知规划定义了一个专用的地图表示，它比使用点云的标准做法至少快一个数量级 [48,49]。这两项贡献都可以推动未知区域建图的研究朝着正确的方向发展。相比之下，上文所提到的建图中的主动感知active perception是指在没有先验信息的情况下对环境进行建模并计算实现它所需