同步定位与地图构建SLAM是自主机器人的核心能力之一其背后有着丰富的文献研究。“地图构建”意味着建立机器人环境的地图“定位”意味着识别机器人在该地图上的位置而“同步”则意味着机器人必须同时完成这两项任务。基于SLAM机器人可以规划通过其环境的轨迹。但没有任何SLAM算法是完美的。定位精度要达到多少才能确保可行的轨迹规划在提交给今年国际智能机器人与系统大会IROS的一篇论文中研究团队指出现有的用于测量SLAM误差的指标并不适合导航问题。特别是最小化全局误差可能会遗留导致轨迹规划极其困难的局部误差问题。为此研究团队提出了一种新指标称为重叠位移误差ODE。ODE有时可能会导致解决方案的全局度量误差稍大但它强制要求更高的局部一致性这被认为是实现稳健轨迹规划的关键。立足局部着眼全局下图展示了为什么传统的SLAM指标不适用于导航目的。该图显示了通过将两种不同的SLAM算法应用于相同的传感器数据生成的一个大型双翼建筑物的两张不同地图。左侧展示了一种全局精度非常高的SLAM算法它对左翼边缘到右翼边缘距离的估计误差仅为1厘米。然而在左上角区域该算法出现了混淆。尽管绝对轨迹误差ATE仍然很低但算法对一个门道的位置产生了两种不同的估计红色和蓝色这会让机器人认为该开口狭窄得无法通过。因此如果机器人想从一个翼楼移动到另一个它将难以规划穿过该开口的路径。右侧展示了另一种SLAM算法的结果。机器人的轨迹估计明显存在漂移并且算法存在巨大的绝对地图误差从左翼到右翼的误差达到了100厘米。然而该SLAM算法在局部表现出了良好的一致性这意味着尽管地图是倾斜的但它仍然是完全可导航的。这里的关键在于绝对误差对于自主导航而言并非最相关的衡量标准。重要的是每当机器人经过同一区域时其自身的知识需要保持一致。如果能够保持一致它就不会错误地删除墙壁或创建虚假的开口也不会错误地构建虚假的墙壁从而阻塞走廊。自我一致性正是所提出指标的目标。考虑一个物理障碍物它在两个不同时间点 T0 和 T1 被机器人观测到。SLAM 算法会对该障碍物进行两次地图构建但由于定位不准确这两个地图构建的圆形区域未能如预期那样相互重叠。重叠位移误差正是用来测量这两个圆形区域之间的位移偏差。对于每一对观测到同一感测区域的相机视图都可以计算这种位移误差。如果在SLAM地图上叠加一个网格可以通过在网格的每个单元格上放置一个虚拟障碍物来聚合误差。在下图中研究团队将 ODE 与三种传统指标进行了比较绝对轨迹误差ATE和两种类型的相对轨迹误差RTE线性和角度。左侧显示了真实轨迹、SLAM算法估计的轨迹以及一个热力图该热力图指示了如果使用 360° 测距传感器不准确的定位会在地图中引入的误差。沿估计轨迹的数字表示时间步长。右侧显示了不同定位误差指标的图表。可以注意到ODE 专注于地图一致性在轨迹估计的不连续点以及轨迹不完全自相交的区域清晰地显示了峰值。然而使用其他指标时局部不一致性则较难推断出来。FINISHED更多精彩内容 请关注我的个人公众号 公众号办公AI智能小助手或者 我的个人博客 https://blog.qife122.com/对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号网络安全技术点滴分享