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:
-
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)
-
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