Simultaneous Localization And Mapping: Present, Future, and the Robust-Perception Age-阅读

元学习论文总结||小样本学习论文总结

2017-2019年计算机视觉顶会文章收录 AAAI2017-2019 CVPR2017-2019 ECCV2018 ICCV2017-2019 ICLR2017-2019 NIPS2017-2019

---

摘要

同时定位与映射(SLAM)包括同时构造环境表示(MAP)和估计机器人在环境中运动的状态。在过去的30年中，SLAM社区取得了惊人的进步，实现了大规模的现实世界应用，并见证了这项技术向工业的稳步过渡。我们调查了SLAM的现状。我们首先介绍的是SLAM的实际标准。然后我们回顾了相关的工作，涵盖了一系列广泛的主题，包括长期映射的健壮性和可伸缩性、映射的度量和语义表示、理论性能保证、主动SLAM和探索以及其他新的领域。这篇论文是供非专家读者参考的.这也是一份立场文件：用批判性的眼光看待已发表的研究，我们勾勒出公开的挑战和新的研究问题，这些问题仍然值得认真的科学研究。这篇论文还包含了作者对机器人会议中经常引发讨论的两个问题的看法：机器人需要SLAM吗？SLAM解决了吗？

介绍

SLAM包括同时估计机器人的状态和环境的地图。在简单的例子中，机器人的状态被描述为它的姿态(位置和方向)，虽然在状态中还可以包含其他的量，例如机器人的速度，传感器的偏差，和校准参数。另一方面，地图是对机器人工作环境的感兴趣方面(例如，地标位置、障碍物)的表示。

需要建立一个环境地图是双重的。首先，地图通常需要支持其他任务；例如，地图可以为路径规划提供信息，或者为人工操作人员提供直观的可视化。第二，地图允许限制在估计机器人状态时所犯的错误。在没有地图的情况下，推算数据很快就会随着时间的推移而漂移；另一方面，给定地图，机器人可以通过重新访问已知区域（所谓的循环闭合）来“重置”其定位误差。 因此，SLAM在所有场景中找到应用程序，其中先前的映射不可用并且需要构建。

在一些机器人应用中，环境的地图是先验的。例如，在工厂地板上操作的机器人可以被提供一张人工建造的环境信标地图。另一个例子是机器人能够获得全球定位系统的测量数据(可将全球定位系统卫星视为已知位置上的移动信标)。SLAM问题的流行与移动机器人在室内应用的出现有关。室内操作排除了使用gps来限制定位误差的可能性；此外，SLAM提供了一种有吸引力的替代用户构建地图的方法，表明在没有临时定位基础设施的情况下，机器人操作是可能的。

达兰特-怀特和贝利在[13，86]中对SLAM问题的前20年进行了彻底的历史回顾。调查[13，86]主要涵盖我们所称的经典年龄(1986-2004)；经典时代引入了SLAM的主要概率公式，包括基于扩展卡尔曼滤波、粗糙粒子滤波和最大似然估计的方法；此外，它还描述了与效率和稳健的数据关联有关的第一个挑战。随后的时期是我们所称的算法分析时代(2004-2015年)，部分时间由Dissanayake等人负责。在[84]中。算法分析阶段研究了SLAM的基本性质，包括可观测性、收敛性和一致性。在这一时期，对于高效的SLAM求解者，SLAM的关键作用也得到了理解，并且开发了主要的开源SLAM库。

我们回顾了表一中迄今为止的主要SLAM调查，注意到最近的调查只涉及SLAM的具体方面或子领域。SLAM在过去30年中的流行是不足为奇的，如果你想到SLAM涉及的多个方面。在较低层次(在第二节中称为前端)，SLAM自然地与计算机视觉和信号处理等其他研究领域交叉；在更高层次(我们后来称之为后端)，SLAM是几何、图论、优化和概率估计的一个很吸引人的组合。最后，SLAM专家必须处理从传感器建模到系统集成的实际问题。

本文对SLAM的现状进行了较为全面的综述，并对SLAM研究中存在的问题和未来的发展方向提出了自己的看法。本文总结了在机器人：科学与系统（RSS）会议期间（罗马，2015年7月）举办的研讨会“移动传感器问题：设定未来目标和SLAM进展指标”[35]的结果。虽然我们经常提到拓扑映射，但我们的重点是度量和语义SLAM，我们向读者介绍了Lowry等人最近的调查。[177]更全面地覆盖基于视觉的拓扑SLAM和位置识别。在深入研究论文之前，我们将讨论两个经常在机器人会议上进行讨论的问题。

自主机器人真的需要SLAM吗？回答这个问题需要了解SLAM的独特之处。SLAM旨在建立一个全球一致的环境代表，利用自我运动测量和循环关闭。这里的关键字是“循环闭包”：如果我们牺牲循环闭包，SLAM就会减少到节理。在早期的应用中，通过对车轮编码器的集成来实现测点。车轮测距仪得到的姿态估计值很快漂移，使估计值在几米后无法使用；这是SLAM发展背后的主要推力之一：观测外部地标有助于减少轨道漂移，并可能对其进行修正。然而，现代的测向算法都是基于视觉和惯性信息的，漂移很小(小于轨迹长度的0.5%)。因此，这个问题就变得合理了：我们真的需要SLAM吗？我们的答案是从三点论述。

首先，我们观察到，过去十年所做的SLAM研究是一项产生视觉惯性校正算法的研究，该算法目前代表着最先进的技术；从这个意义上说，视觉-惯性导航(Vin)是SLAM：Vin可以被认为是一个简化的SLAM系统，在该系统中，环路闭合(或位置识别)模块被禁用。总的来说，SLAM提供了一个借口，在更具挑战性的装置(即没有GPS、低质量传感器)下研究传感器融合，而其他文献(例如，航空航天工程中的惯性导航)则是这样做的。

第二个答案涉及循环闭包。机器人执行节理和忽略闭路，将世界解释为“无限走廊”(图5)。(1A)机器人一直在无限期地探索新的领域。循环关闭事件通知机器人，这条“走廊”不断地与自己相交(图中所示)。1B)。循环闭包的优点现在变得清晰：通过找到循环闭包，机器人了解环境的真实拓扑，并且能够找到位置之间的快捷方式（例如，地图中的点B和C）。因此，如果获得正确的环境拓扑是SLAM的优点之一，那么为什么不简单地删除度量信息，只进行位置识别呢？答案很简单：度量信息使位置识别变得更简单、更健壮；度量重构通知机器人关于环路关闭的机会，并允许丢弃虚假的环路闭包。因此，虽然大满贯原则上可能是冗余的(OraclePlace识别模块将足以用于拓扑映射)，但是Sock提供了针对错误的数据关联和感知别名的自然防御，其中类似地查找对应于环境中的不同位置的场景将欺骗地方识别。在这一意义上，满贯图提供了一种预测和验证未来测量的方法：我们认为该机制是鲁棒操作的关键。

第三个答案是，SLAM是必要的，因为许多应用程序隐式或显式地需要一个全局一致的映射。例如，在许多军事和民用应用中，机器人的目标是探索环境并向人类操作者报告地图。另一个例子是机器人必须(对建筑物、桥梁等)进行结构检查；在这种情况下，一个全球一致的三维重建是成功操作的必要条件。

我们可以找出不同口味的SLAM配方比其他配方更适合的任务。因此，当一个机器人专家不得不设计一个SLAM系统时，他/她面临着多种设计选择。例如，拓扑映射可以用来分析给定位置的可达性，但不适用于运动规划和低级控制；局部一致的度量映射非常适合于避障和与环境的局部交互，但可能会牺牲精度；一个全局一致的度量图允许机器人执行全局路径规划，但它可能需要计算和维护。选择最合适的SLAM系统的一种更普遍的方法是将SLAM作为一种机制来计算一个足够的统计数据来总结机器人过去的所有观察，在这个意义上，在这种压缩表示中保留哪些信息是非常依赖于任务的。