SLAM中位姿估计的图优化方法比较

A Comparison of Graph Optimization Approaches for Pose Estimation in SLAM

作者：Andela Juric´, Filip Kendeš, Ivan Markovic´, Ivan Petrovic

论文地址：chrome-extension://ikhdkkncnoglghljlkmcimlnlhkeamad/pdf-viewer/web/viewer.html?file=https%3A%2F%2Flamor.fer.hr%2Fimages%2F50036607%2F2021-ajuric-comparison-mipro.pdf#=&zoom=80

典型基于优化的SLAM问题来说：Pose-SLAM的目标是在给定闭环和里程约束条件下估计机器人的轨迹(相对姿态)。这些相对姿态测量通常通过IMU、lidar、camera或GNSS获得，使用ego-motion、scan-registration、ICP等构建损失函数。利用最流行的优化框架g2o、Ceres、GTSAM、SE- Sync等进行求解。但是目前没有论文在同一条件下对这些框架算法进行评估，本文的就是做在相同条件下，测试不同框架对不同问题的性能效果。

摘要： SLAM是一种重要的工具，它使移动机器人能够在未知环境中自主导航。正如名称 SLAM 所暗示的，重要的是获得环境的正确表示并估计地图中机器人位姿的正确轨迹。主流的最新方法使用基于最小二乘最小化方法的图优化技术来解决位姿估计问题。其中最流行的方法是 g2o、Ceres、GTSAM 和 SE-Sync 等库。本文的目的是以统一的方式描述这些方法，并在一系列公开可用的合成和现实世界位姿图数据集上对其进行评估。在评估实验中，分析了四个优化库的计算时间和目标函数值。

I 引言

经过多年在 SLAM 场景中的主导地位，基于滤波的方法越来越多地被基于优化的方法所取代。位姿图优化 (PGO) 最初是在 [1] 中引入的，但由于计算效率低下而不太流行。今天，随着计算能力的增加，PGO 方法已经成为最先进的方法，能够快速准确地解决 SLAM 优化和估计问题。

基于优化的 SLAM 方法通常由两部分组成。第一部分使用基于传感器数据的对应关系确定新观测和地图之间的约束。第二部分计算机器人位姿和给定约束的地图。可分为图法和平滑法。当前最先进的基于优化的方法的一个例子是 g2o [2]。它是非线性最小二乘问题的通用优化框架。[3] 中介绍了第一种平滑方法 pSAM。[4] 中介绍了对这种方法的改进，即增量平滑和建图 (iSAM)。iSAM 扩展了 pSAM，通过更新稀疏平滑信息矩阵的分解，为全 SLAM 问题提供有效的解决方案。iSAM 的升级，iSAM2在[5] 中介绍。这些平滑方法在 GTSAM [6] 中实现，这是另一个最先进的优化库。

SLAM 问题的一个经典示例是所谓的位姿 SLAM，它避免了构建环境的显式地图。位姿 SLAM 的目标是在给定闭环和测距约束的情况下估计机器人的轨迹。这些相对位姿测量通常是使用自运动估计、扫描匹配、迭代最近点 (ICP) 或某种形式的最小化视觉重投影误差从 IMU、激光传感器、相机或车轮里程计获得的。值得注意的是，[7] 和 [8] 中的方法提出了基于滤波器的位姿 SLAM 算法，但我们在当前论文中的重点是实现基于优化的位姿 SLAM 的方法。

其中最流行的方法是 g2o [2]、Ceres Solver [9]、GTSAM（“Georgia Tech Smoothing and Mapping”）[6] 和 SESync（“Synchronization over Special Euclidean group SE( n)") [10]。文献中很少有比较这些方法的作品。例如，在 [11] 中，作者提供了视觉 SLAM 的概述，并将 g2o、GTSAM 和 HOG-Man [12] 作为后端进行了比较。[13] 中的作者讨论了旋转估计在位姿图估计中的重要性，并在使用不同旋转估计技术的基准数据集上比较了 g2o 和 GTSAM。在 [14] 中，作者比较了 g2o 框架下的不同优化算法。[15]