【论文笔记】GLFP: Global Localization from a Floor Plan

【论文笔记】GLFP: Global Localization from a Floor Plan

    ~~~          ~~~~     在本文中，我们描述了一种在以前没有访问过的环境中进行全球定位的方法，该方法仅使用平面图作为先验地图。平面图不需要是精确的地图–它可以是建筑物中用来引导人们或帮助疏散的那种图像。 其核心思想是识别在绘制的平面图和机器人视点激光雷达数据中都很稳定的特征，例如墙的交叉点，从头顶看是角，从地面看是垂直线。 我们引入了一种基于因子图的全球定位方法，将这些特征作为地标。这种无描述符的特征的检测是有噪声的，而且往往是模糊的。因此，我们提出了基于成对测量一致性检查和最大混合误差模型的稳健数据关联。 我们在一个真实的室内环境中对所产生的系统进行了评估，显示出与使用传统的基于激光雷达的先验地图的基线系统相比较的性能。
　　在本文中，我们提出并演示了GLFP(GlobalLocalization in aFloorPlan)，它允许地面机器人通过识别平面图中的地标进行全球定位。特别是，我们使用机器人上的激光雷达传感器来检测大型垂直特征（如墙壁的交叉点），这些特征也很容易被检测为平面图中的角。GLFP可以作为室内环境中GPS的替代品，提供基于平面图的全球位置更新。 在这种全局固定之间，机器人依靠当地的测向仪测量。 在我们评估的系统中，这种测距是基于车轮编码器和惯性传感器的；也可以应用视觉测距或激光测距等跟踪算法来改善全局修正之间的定位。图3进一步说明了GLFP在机器人定位系统中的作用。我们的方法的主要挑战是数据分配。 特征是无描述符的，机器人唯一的先验知识是平面图。 环境可能是动态的，障碍物可能掩盖了机器人对地标的观察。 此外，平面图中地标的位置可能并不精确；例如，当低分辨率的地图图像被缩放时，就可能发生这种情况。 本文的贡献针对这些挑战。 这些贡献是：
　　一个为配备激光雷达传感器的地面机器人在平面图中提供全局定位的系统，
　　一个基于因子图的定位方法，通过对标记的地标位置的不确定性进行建模来提高准确性，
　　一个通过使用成对测量一致性检查和最大混合物误差模型来提高鲁棒性的数据关联方法，以及对真实世界和合成数据的评估，证明了鲁棒性数据关联和准确性可与基于激光雷达先验地图的激光扫描匹配相比拟

方法

    ~~~          ~~~~     GLFP的一个关键观点是识别那些可以从低质量的俯视地图和机器人的传感器视图中观察到的特征。 大的垂直边缘是一个高度重要的、容易提取的特征，它在大多数室内环境中出现的频率足以发挥作用，但又不至于混淆数据的关联。GLFP从三维点云中提取这些边缘，并将它们与平面图中的已知角落特征相匹配。 然后，它使用一个基于因子图的定位算法来解决机器人的姿势问题。

A. 作为全局地图特征的垂直边缘

    ~~~          ~~~~     

平面图是一个有图示的环境俯视图。 因为它是人工的，所以我们不能从其中提取基于兴趣点的特征（如SIFT或SURF），这些特征从机器人的视点也是可见的。 相反，我们使用室内墙面交叉处或其他类似的永久性结构中经常出现的纵向边缘作为全局特征。 这些特征从头顶（即墙角）和地面（即高高的垂直线）看都有一个特征性的外观。通过使用这些特征，机器人可以在它以前没有观察过的场景中进行定位。在本文中，我们手动标注了平面图中的特征位置，尽管自动提取也是可以的。标记不需要非常精确：我们的方法是在机器人导航的过程中对地标的位置估计进行细化。

B. 从地面上检测特征

    ~~~          ~~~~     从地面上看，我们的特征表现为大的垂直线。尽管同样的特征可以作为二维点云中的角来检测，但这种方法无法考虑到特征的高度。 一个室内环境可能包含许多物体（如家具），它们在平面传感器数据中会出现角，但并不是环境的永久结构的一部分。这种短暂的特征不会出现在平面图中，因此不能用GLFP在以前未访问过的环境中进行定位。在本文中，我们使用3D激光雷达检测垂直边缘特征，尽管也可以使用例如立体视觉传感器[1]。 我们首先将三维点云投影到2.5D（即带有高度信息的二维），然后检测该数据中的角[13]。 我们放弃任何高度小于1米的角，因为这些角可能不对应于平面图中可见的永久性结构。

C. 基于因子图的定位

    ~~~          ~~~~     在平面图中标注的地标位置可能并不精确，不管是由于标注不严谨还是由于平面图图像的分辨率不够。 因此，我们将地标位置和离散的机器人姿势都作为变量，在一个因子图中进行优化（见图4）。在这种方式下，最初的地标位置估计来自于地图注释，而随后的测量则完善了这些估计值。我们在基于odometry测量的机器人姿势之间添加因子势。在我们的评估中，这些数据来自于车轮编码器和惯性传感器，尽管我们也可以使用基于跟踪的方法，如视觉测距。最后，机器人测量到地标的范围，这些范围被评为地标和机器人姿势之间的因子电位。因子图是用AprilSAM[14]优化的。因为我们使用的特征是无描述符的，所以数据同化是一个主要的挑战，特别是考虑到室内环境可能被触发假阳性检测的物体所干扰。例如，考虑在办公楼的走廊拐角处放置一个垃圾桶的情况。这个物体不会出现在平面图中，但是它可能会掩盖附近的一个特征，或者被误认为是它。 除了静态障碍物的类型外，我们的系统还必须处理动态障碍物，如人的行走。 过滤掉小的垂直边缘有助于解决这些问题，但我们仍然需要改进数据关联的稳健性。与那些在推理之前将数据关联作为明确过程的方法（如JCBB[15]或IPJC[16]）相比，我们使用最大混合物方法[17]将数据关联的大部分移入推理过程本身。1）成对一致性检查：为了拒绝由动态障碍物引起的错误的数据关联，我们采用成对一致性检查（见图5）。机器人在一个地标处于视野范围内的时间间隔内对该地标进行多次测量。 当结合测量时对机器人姿势的估计时，每个观测值都给出了对地标的投影位置的估计。 对于每一对这些测量值，我们都要计算地标的相应预测位置之间的距离。 如果这些位置在一个阈值距离内，我们认为这对测量是一致的。

　　然后我们形成一个无向图，其中的测量值是节点，我们在对应于一致测量值的节点对之间添加边。 Olson, Walter,Leonard,等人[18]提出了一个近似的解决方案，以寻找图中连接良好的节点的单一集群。在本文中，我们应用了这个想法的一个简单变化。也就是说，如果存在一个与其他测量有足够一致链接的测量，我们为该测量创建一个因子势，并将其加入因子图中。
　　 2）最大混合误差模型：为了拒绝由地标附近的静态物体引起的错误的数据关联，我们采用了最大混合误差模型[17]。 我们使用两组混合物，一组是名义数据关联，另一组是 "空 "假设。有了最大混合物，定位系统可以在机器人进行新的观察时访问所有的数据关联决定，以剔除离群值。 当机器人接近垃圾桶时，将该物体与附近的特征联系起来，可能会比单纯的测距解决方案减少错误。 然而，当机器人继续观察该物体时，由关联引起的重复低似然测量会导致误差增加。 一个最大混合误差模型可以重新审视那些先前的数据关联，并对它们应用一个无效假设。