SLAM中的混合地图表达

SLAM中的混合地图表达方式

SLAM的地图类型

混合地图有哪些表达形式

总结

SLAM地图类型介绍

地图的表现形式，很大程度上取决于当前的任务，传感器还有就是环境类型，具体可以如下图所示：

单一的地图类型主要由以下集中形式：

很多情况下，单一地图的表达形式很难满足复杂任务，以及在复杂环境表现出鲁棒性，所以一般会采用混合地图的表达形式，背景归纳了一下，主要是以下几点：
1、任务需要
很多情况下，SLAM的最终目的不是为了建图，而是导航。
导航则需要环境的拓扑结构，也需要进行定位和避障。

2、多传感融合
当单一传感器无法满足要求时，往往采用多传感融合的方
式，而单一地图一般很难融合两种以上的传感数据。

3、提高SLAM、导航过程的鲁棒性
混合地图可以记录不同种类的数据信息， 在复杂环境下，
仍然可以保证定位和建图精度。

混合地图的表达形式介绍

关于混合地图的表达形式，将会以介绍三篇论文的形式呈现

基于激光和单目融合的自动归航算法

Choi D G, Shim I, Bok Y, et al. Autonomous homing based on laser-camera fusion system[C]. IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2012. pp. 2512-2518.

问题描述

1、激光传感器在走廊环境环境中，定位误差较大
2、摄像头无法在特征纹理较少的环境发挥作用
具体可以表现如下图所示:

如果待匹配的环境，有一个显著性方向，那么经过点云匹配匹配之后，在平行于这个方向上的平移会存在尺度争议。

$$T=T_R + T_A$$
$$T_A=\lambda v_A$$
其中 $T_R$是准确的平移分量，而 $T_A$则是存在争议的，即 $\lambda$ 存在争议。
该文章，解决争议的方式就是结合单目摄像头，求解在显著性方向上的尺度争议。剩下的问题就是如何判定环境是否存在一个显著性方向（在走廊等环境就比较常见）。具体操作如下图所示：

操作步骤
1、计算ICP匹配中对应点的方向。
2、统计所有点，生成如左图所示的梯度直方图，选取最大的作为当前帧的显著方向。
3、若点落入显著方向，则标记为主要点；反之，则作为次要点。
4、计算次要点占所有点数目的比率，若小于0.2，则判定为有争议。

问题解决

1、当前帧不存在争议时，采用基于单激光的ICP匹配。
2、当前帧存在争议时，结合单目相机，计算争议项$\lambda$。
具体可以如下图所示，将sift或者surf提取的特征点（假设只有墙面上的特征点）。然后利用激光数据，拟合出在忽略Y轴方向之后的二维信息点，进行求解$\lambda$ 。

图像特征点，可以表示为，在激光坐标系下的一条射线：

得到两帧图像信息对应的特征点集，$q,q'$，求取尺度信息。

基于混合地图（拓扑和尺度地图）的统一贝叶斯框架与全局重定位

Tully S, Kantor G, Choset H. A unified bayesian framework for global localization and slam in hybrid metric/topological maps[J]. The International Journal of Robotics Research, 2012, 31(3): 271-288.

问题描述

1、高层的拓扑地图和低层的尺度地图如何统一框架。
2、在大量相似环境中，如何进行全局重定位和SLAM回环。
对于回环检测和全局重定位，我们总认为当我们需要重定位，或者发生回环的时候，能够被独一无二的检测出来。但是对于人自身来说，这也是很为难的，现实中太多的重复场景，也没办法让我们一下就知道自己在哪里，如下图所示。如果要鲁棒可靠的去解决全局重定位和回环，可能得保留着每一次的可能，一次又一次的进行似然更新。

问题解决

统一框架的贝叶斯框架：

参数说明：

具体在全局拓扑地图和局部子图的SLAM和定位：
在局部尺度地图中，采用了EKF进行更新位置姿态，在地图未知的情况下，则进行EKF-SLAM

拓扑地图的估计，即移动机器人本身需要知道自己在哪个子图：

递推部分，一般都是进行似然递推，前一帧作为先验概率：

多假设树检验
利用多假设树，保留每一种回环和重定位可能性，每一次进行似然更新，知道出现唯一的可能。如下图，具体根据应用可以分为在完全未知，完全已知，局部未知的情况。

更形象一点的例子可以如下图所示，每一次都在进行假设更新。

利用多层特征结构和无监督几何约束的视觉SLAM系统

问题描述

单目视觉SLAM存在以下问题：
1、尺度偏移，无法应对快速运动
2、对不均匀分布的特征敏感
上述问题是目前很多优秀的单目SLAM都面临的，很大程度上是由于传感器本身受限。不少研究者转而研究单目和其他传感器的解决方案。
除此之外，大多数的单目SLAM系统只利用了较为低级的视觉特征；在大部分的人为环境中，存在着更为高级的特征，以及他们之间的几何约束关系。

Lu Y, Song D. Visual navigation using heterogeneous landmarks and unsupervised geometric constraints[J]. IEEE Transactions on Robotics, 2015, 31(3): 736-749.

问题解决

步骤：
1、输入关键帧图像信息，可以直接提取特征点和线段，这些作为低级特征。
2、线段和特征点通过几何构造，匹配产生更为高级的直线、消隐点，以及空间平面特征。
注：箭头表示父子节点关系

整体的步骤极其复杂，特征之间的关系维护也是非常麻烦的，具体如下图所示。作者也进行了开源源代码和数据集，在作者给的网站和github上都可以下载。如果感兴趣，还是可以看一下作者的原文。

总结

混合地图相比于传统地图，应用范围更广，鲁棒性更强，同时混合地图的框架也会更加复杂，形式也更多。

有问题可加群 (移动机器人导航与控制群：199938556) 讨论交流，进群修改备注。