SLAM系統全自動化 | SLAM: 現在,未來和魯棒年代(三)第一部分

hello,又見面嘍,我們繼續上一篇的內容,這次主要講的內容是SLAM系統全自動化的第一部分。

全自動化的第一步:魯棒性

SLAM系統可能很脆弱:會出現演算法失效和硬體相關的失效。第一類主要由現有SLAM演算法的局限造成的(比如,很難處理極端動態環境)。後面一類主要由於感測器和機器老化。明確地提出失效模式對長期運行非常關鍵,那樣就不會對環境結構有要求(比如,要求大部分是靜態環境)或者完全依賴板載感測器。本章,我們主要討論解決演算法魯棒性時的挑戰。然後討論一些未解決的問題,比如當硬體失效時的魯棒性。

演算法失效的一個主要來源是數據關聯。第2章提到數據關聯將每次測量值與對應的狀態進行關聯。比如,在基於特徵的視覺SLAM系統中,它將每個特徵和特定的路標關聯。直觀對齊,可能會出現不同的感測器輸入產生相同的感測器信息,導致這個問題非常難解決。在這個例子中,如果數據關聯構建了錯誤的測量-狀態匹配,後端可能會出現錯誤估計。

如果環境中短期或季節變化並且沒有對動態環境構建模型,情況可能更糟糕,可能會欺騙短期或長期的數據關聯。一個常用的SLAM要求是機器人走過的環境保持不變(換句話說就是,環境是靜態的)。這個靜態環境的要求在小場景中單一地圖構建中是適用的,只要沒有短期動態狀態(比如,人和物體在周圍移動)。如果地圖構建是長時間在大場景中,變化就不可避免。晝夜變化,季節變換比如樹葉或環境結構的改變舊建築物變成新建築物,所有這些都會影響SLAM系統的性能。比如,依賴於視覺特徵的系統會在劇烈的晝夜變化中失效,當舊建築消失環境幾何方法也會失效。

另外一個魯棒性要求是在惡劣的環境中使用SLAM,比如水下環境。這個例子中的挑戰是可視光有限,一直在變化的環境,而且一般的感測器無法使用(比如鐳射測距儀)。

1. 簡要回顧

對錯誤數據的魯棒性問題可以用於SLAM系統的前端部分,也可以用於後端。傳統方法中,前端用於構建正確的數據關聯。短期數據關聯是最容易處理的:如果感測器的數據採樣率相對比較快,比機器人的運動快,對相同3D路標跟蹤特徵就比較容易。比如,如果我們想在連續的圖像中跟蹤3D雲點同時圖像幀率足夠高,標準的基於描述子匹配和光流的方法可以確保可靠的跟蹤。直觀上,在高幀率情況下,感測器(相機,激光)視角改變不是很大,因此t+1時刻的特徵與t時刻的特徵非常接近。【馬後炮:事實上短期數據關聯比長時間中的數據關聯更容易更可靠,這使得(視覺,慣性)里程計比SLAM更簡單。】前端中長期數據關聯更具有挑戰性同時需要閉合迴路的檢測和校驗。對前端閉合迴路來說,暴力匹配方法可能不切實際,它在當前觀測中(比如,圖像)偵測特徵而不是在之前檢測到的所有特徵進行匹配。

詞袋模型可以量化特徵空間和進行更有效的搜索來避免這種難題。詞袋模型可以設計成層級式字典樹,可以在大範圍數據集中有效查找。基於詞袋模型的技術在處理單任務閉環迴路檢測中表現出非常可靠的性能。然而,這些方法無法處理劇烈的圖像變化因為視覺單詞無法匹配。這樣就需要開發新的方法匹配圖像序列處理這樣的變動,收集不同的視覺貼圖用於統一表示,或者同時採用空間和貼圖信息。可以參考一個詳細的綜述,論文177,視覺位置識別綜述。在基於激光的SLAM前端,基於特徵的方法可以用來檢測迴環閉合;比如,論文273提供了2D激光掃描的FLIRT(Fast Laser Interest Region Transform)特徵。

迴環閉合校驗,由附加的幾何驗證步驟來確認迴環閉合的質量。在基於視覺的應用中,隨機抽樣一致性演算法 RANSAC常用來做幾何校驗和離群點去除,參考論文248 VO1。在基於激光的方法中,可以通過確認當前激光掃描和已經掃描好的地圖的匹配程度(匹配得有多好)來校驗迴環閉合(比如,掃描匹配產生的殘差有多小)。

儘管這些流程可以使前端的迴環閉合檢測更魯棒,在直觀對齊的情況下,錯誤的迴環閉合不可避免地被反饋給後端。錯誤的迴環閉合會嚴重損害最大後驗估計的質量。為了處理這個問題,最近出現了很多研究提供了一些方法可以使SLAM後端對不合格(偽造)的觀測值處理更有彈性。這些方法基於迴環閉合的有效性進行推導,迴環閉合通過優化過程中的殘差進行約束。其他的方法,檢測離群點先驗信息,也就是,在做任何優化之前,識別不正確的迴環閉合,但里程計不支持這種做法。

動態環境中的挑戰主要有兩方面。首先,SLAM系統必須檢測,丟掉,跟蹤變化。當主流的方法都嘗試丟掉場景中的動態部分,有些研究工作將動態元素作為模型的一部分。第二個挑戰是SLAM系統必須構建模型處理永久或半永久變化,理解如何和什麼時候相應地更新地圖。當前的SLAM系統處理動態環境,要麼維護同一位置的多個(與時間相關)地圖,要麼只有一個表示但可以根據時間變動進行參數調整。

2. 待解決的問題

本章我們回顧了一些未解決的問題,記錄了SLAM生命周期中出現的新的研究問題。

1)失效保護SLAM和恢復機制:

儘管對SLAM後端進行了處理,當前SLAM方案在出現離群點時仍然比較脆弱。這主要因為魯棒的SLAM是基於非凸集迭代優化。這樣會有兩個結果:首先,離群點去除的結果依賴於優化中初始估計的質量;其次,系統天生脆弱:任一一個離群點都會降低估計的質量,它又會反過來降低系統分辨離群點的能力。一個理想的SLAM系統應該是具有失效保護和失效偵測的功能,比如,系統必須能檢測到即將發生的失效問題(比如:由於離群點或者硬體老化),還要具有恢復機制重建之前的操作任務。現有SLAM系統沒有這種功能。

2)針對硬體的魯棒性:

其實硬體失效並不是SLAM研究的問題,但這些失效會影響SLAM系統,SLAM系統具有重要作用檢測感測器和減少運動失效。如果感測器精度由於誤操作或老化而降低,感測器的測量(雜訊和偏移)質量不能匹配後端的雜訊模型(如3式),將會導致較差的估計。這就會差生不同的研究問題:我們如何檢測不良感測器的運行狀態?如何相應地調整感測器雜訊數據統計模型(協方差,偏移)?

3)幾何度量重定位:

與基於特徵方法不同,基於貼圖的方法可以在白天和夜晚的圖像序列上實現迴環閉合,在不同的季節實現迴環閉合也是很自然的一件事了。對於幾何度量重定位(比如對之前構建的地圖估計相對位姿),基於特徵的方法可能更規範化,但無法擴展到這樣的環境中。如果視覺變成了針對不同應用的感測器的選擇,迴環檢測變成了感測器位置匹配問題,也可以研究SLAM問題所需的其他信息和感測器。比如,Brubaker提出了軌跡匹配中相機的劣勢。另外,先用一個相機建圖,再在同一個地圖中定位另一個相機,可能非常有用。Wolcott和Forster的工作在這個方向上有所進展。另外一個問題是從不對稱的拍照角度上得到不同的照片中如何定位。Forster研究了在激光地圖中的視覺定位問題,Majdik研究了如何在Google街景照片的3D紋理地形圖上定位無人機。Behzadin演示了如何在手繪地圖用激光掃描儀, Winterhatter演示了如何在2D戶型圖上用RGB-D定位。

4)時間變化和地圖畸變:

主流SLAM方法都假設現實世界是固定不變的,然而真實世界由於其動態環境和物體畸變並非一成不變。一個理想的SLAM方案應該能夠處理環境中的動態因素,包括非固定部分,能夠長時間工作生成所有地形地圖,並能實時處理這些工作。在計算機視覺領域,自80年代就開始嘗試在有限的應用中從非固定的物體上恢復形狀,比如Pertlend的論文需要物體結構屬性的信息。Bregler要求限定物體的畸變,在人臉識別上做了一些演示。最近關於非固定運動結構,比如論文5,6,114,限制比較少,但主要應用於小場景。在SLAM領域,Newcombe針對小場景提出了非固定實例。然而,大場景非固定地圖仍然需要大量研究。

5)自動參數調整:

SLAM系統(特別是數據關聯模塊)需要更多的參數調整,在給定的場景中正確地工作。這些參數,包括控制特徵匹配的閾值,RANSAC參數,還有決定何時添加新的因子到因子圖中或何時觸發迴環閉合演算法搜索匹配。如果SLAM需要跳出受限的思維在任意場景中都適用,那麼就需要考慮自動參數調整的方法。

Mapping large-scale real-world environments poses formidable challenges to the existing SLAM algorithms. Perceptual aliasing and dynamics of the environment (moving objects, appearance and geometry changes across seasons) call for algorithms that are inherently robust to these phenomena, as well are fail detection and recovery techniques. The extended scale of the environment calls for estimation algorithms that can be easily parallelized, as well as better map representation that store information in a compact and actionable way.

?本文由泡泡機器人原創編譯,轉載請聯繫獲得授權。

原文《Simultaneous Localization And Mapping: Present, Future, and the Robust-Perception Age》

由於引用過多,需要查看引用文獻的讀者可以搜索原文,或通過該鏈接《Simultaneous Localization And Mapping: Present, Future, and the Robust-Perception Age》下載查閱。

  • #小編嘮叨# | 丸子、豆子

  • #001 知乎平台的第四篇,繼續mark。

  • #002 本文就到這裡嘍,下一篇將給大家帶來的是SLAM系統全自動化的第二部分,敬請期待。

  • #003 希望讀者你的熱情轉發,讓更多的人能進入到SLAM這個領域中,讓我們共同為推進中國的SLAM事業而努力!
  • 版權聲明 | 泡泡機器人的所有文章都是花費大量心血製作而成的原創內容,希望大家珍惜勞動成果,轉載請務必註明出自泡泡機器人,並附上本文鏈接,否則侵權必究。(商業合作和轉載請聯繫paopaorobot@126.com)

推薦閱讀:

TAG:人工智慧 | 虛擬現實VR | 自動化 |