【论文笔记】Past, Present, and Future of SLAM: Toward the Robust-Perception Age

本文总结《Past, Present, and Future of Simultaneous Localization and Mapping: Toward the Robust-Perception Age》核心观点

一、导言

1.1 SLAM 的产生——原因

• 建图需求：图像支持路径规划（path planning）等其他任务，可进行闭环（loop closure）检测
• GPS 无法在室内使用

1.2 SLAM 的发展过程

1.2.1 古典时代（Classical Age）

• 发明主要概率公式，包括基于 EKF、粒子滤波器和最大似然估计的方法

1.2.2 算法分析时代（Algorithmic-analysis Age）

• 研究 SLAM 基本属性，包括观察性，收敛性、一致性、稀疏性
• 开发主要开源（open-source） SLAM 库

1.2.3 近期研究

当前 SLAM 特点：前端中多领域交汇；后端中几何+图论+优化+概率估计

回答两个问题：

1. 自主机器人需要 SLAM 吗？

   • 视觉惯性导航（VIN）可视为简化的 SLAM，可在无 GPS 时与传感器融合
   • 里程计（odometry）忽略闭合，会无限探索新区域。闭合可找到两点间的最短路径
   • 度量信息很有用
   • 有些应用需要全局一致的三维重建（3D reconstruction）

2. SLAM 解决了吗？—评估 SLAM 问题的成熟度

   • 评估指标：机器人（运动类型，可用传感器，可用计算资源（computational resources））；环境（感知混叠（perceptual aliasing）的风险）；性能（精度、成功率、延迟）
   • 优势：提升了精度、鲁棒性
   • 缺点：高速时失效，性能不够

1.2.4 健壮感知时代（Robust-perception Age）— SLAM 特性

• 性能强：低故障，可自调整
• 高层次理解：几何重构+对环境高层次理解（高层次几何、语义）
• 资源意识：可根据可用资源调整负载
• 任务驱动感知：过滤相关感知信息，生成自适应（adaptive）地图

二、现代 SLAM 系统剖析

2.1 MAP（Maximum a Posteriori） 与后端

• 将 SLAM 公式化为最大的后验估计问题，用因子图（factor graphs）推理变量间的依赖性
• 线性高斯下，卡尔曼滤波和 MAP 估计相同

2.2 传感器相关的前端

• 问题：传感器数据很难函数化
• 功能：提取特征点，数据关联（data association，将测量与地标关联），为非线性优化提供初始值

三、长期自治（ LONG-TERM AUTONOMY） I：健壮性

问题

• 算法：无法处理快速变化的环境，由数据关联（将度量与所指状态关联）导致
• 硬件：传感器或执行器性能下降
• 感知混叠：不同输入导致传感器特征相同

3.1 简要调查

3.1.1 错误数据关联

现有成果

• 词袋模型（Bag-of-words models）：解决单会话循环检测任务，但无法处理照明变化
• 匹配序列（matching sequences）：统一视觉外观表示形式，或使用空间和外观信息
• 回环检测：用 RANSAC 几何检验、剔除离群值；基于激光，扫描匹配产生的误差

3.1.2 动态环境

两个挑战

• 对环境进行检测、丢弃、跟踪更改
• 对永久变化建模并更新地图

3.2 开放性问题

3.2.1 故障安全 SLAM 和恢复

• 有异常值时脆弱：SLAM 技术基于非凸成本（nonconvex cost