iRotate: Active Visual SLAM for Omnidirectional Robots
Active Visual SLAM with independently rotating camera
静态的相机,限制了视觉信息获取的自由度,本文通过在机器人基座上引入和利用独立旋转的摄像机来克服上述问题。这种额外的自由度引入了额外的估计不确定性,通过扩展机器人的状态估计,以包括摄像机状态和联合估计不确定性,
全向机器人的主动视觉SLAM方法,一种多层次的主动V-SLAM方法
顶层:目标位置、生成路径。
下层:对路径重规划和执行动作。
摄像机被牢牢地固定在机器人的身体上,限制了它的相对方向,拥有一个能够独立控制摄像机方向的机器人可以增加它在建图和控制方面的灵活性。
之前的 Visual-SLAM 通常是接收外部的控制输入,然后完成定位与建图。
目前最先进的主动VSLAM方法目标就是更快的对环境进行建图,同时尽量保持地图的准确性。
由于机器的位置和方向可以独立控制,所以可以在不改变其二维坐标的情况下,最大限度地扩大环境覆盖。覆盖范围包括对地图以前未见的区域的观察和地图的细化。
通过这种方式,减少机器人绘制环境地图所需要的总距离。
本文的主要贡献:
· 新颖的硬件架构,获得更精确的地图,并在使用时降低能耗
· 扩展到不同的机器人平台
· 我们为这种硬件结构提出了一种新的里程计公式,以获得更精确的地图估计
· 在探索阶段,计算到所选边界点的最优路径,并且考虑路径上所有点的可能航向方向。
·在执行路径时,会根据实时的栅格地图重新计算下一个航路点的最佳航向,
·基于实时的3d特征分布,控制摄像头航向。
并且实验对比了 基于地图的香农熵 和经典的效用函数的变化,
模拟和真实机器人上展示
RELATED WORK
探索新区域和利用先前获取的信息之间找到平衡,以降低整体地图的不确定性。
大多数主动SLAM算法包括以下工作流程:1)选择候选目标点,2)为这些目标生成路径(路点集),3)计算路径效用,4)执行/跟踪最大效用路径。
目标点可以是机器人可到达的位置,也可以包括位置和航向(姿态)。
候选目标点通常是边缘点,或者使用RRT类似的结构,当前全局状态选择下一个目标点。
然而计算通向目标的所有可能路径的效用通常是个棘手的问题,
有的方法使用RRT进行路径生成,然后选择最佳路径的第一个节点,然后使用并行鲁棒视觉惯性里程计系统来预测方差。
另一种方法是使用试探法和阈值来选择要采取的行动,并使用本地规划者来执行它们
而本文 1)使用可用的地图信息规划和选择信息最丰富的全局路径
2)通过持续的本地重新规划来执行该路径
关于全局路径的效用通常被计算为几个量的线性组合:地图的一致性、路径熵、
机器人的不确定性
而关于 探索和利用的平衡 要么使用效用公式来判断,要么基于一些人工设计的试探法和阈值。
而本文 对于全局路径的效用计算 :使用给定位置的地图熵作为信息增益的度量,该位置和机器人起始位置之间的距离作为折扣因子。实验证明了这样做对于探索速度和能量消耗都是非常有用的
为了计算路径效用,不仅要考虑最终目标点,还要考虑路径上每个导航点的贡献。
本文的方法
问题描述和符号
传感器有 RGB-D 相机,最大距离为 d t h r d_{thr} dth</