Slam(即時定位與地圖構建) 知識篇

時間 2019-11-08

原文原文鏈接

Slam即時定位與地圖構建

技術解釋

同步定位與地圖構建（SLAM或Simultaneous localization and mapping）是一種概念：但願機器人從未知環境的未知地點出發，在運動過程當中經過重複觀測到的地圖特徵（好比，牆角，柱子等）定位自身位置和姿態，再根據自身位置增量式的構建地圖，從而達到同時定位和地圖構建的目的。javascript

使用情景

一個由德國達姆施塔特理工大學研發的機器人正使用激光成像探測與測距技術來給迷宮繪圖。php

上圖的機器人描繪出的地圖。html

操做性定義

這裏說的地圖，是用來在環境中定位，以及描述當前環境以便於規劃航線的一個概念；它經過記錄以某種形式的感知獲取的信息，用以和當前的感知結果相比較，以支撐對現實定位的評估。在定位評估方面，地圖提供的幫助程度，與感知的精度和質量成反相關。地圖一般反映了它被描繪出來的時刻的環境狀態，因此它並不必定反映它被使用的時刻的環境狀態。html5

在偏差和噪音條件下，定位和地圖構建技術上的複雜度不支持二者同時得到連續的解。即時定位與地圖構建（SLAM）是這樣一個概念：把兩方面的進程都捆綁在一個循環之中，以此支持雙方在各自進程中都求得連續解；不一樣進程中相互迭代的反饋對雙方的連續解有改進做用。java

地圖構建，是研究如何把從一系列傳感器收集到的信息，集成到一個一致性的模型上的問題。它能夠被描述爲第一核心問題：這個世界長什麼樣？地圖構建的核心部分是環境的表達方式以及傳感器數據的解釋。算法

與之相比，定位，是在地圖上估測機器人的座標和姿式形態的問題；換而言之，機器人須要回答這裏的第二核心問題，我在哪？典型的解包含如下兩個方面：追蹤——一般機器人的初始位置已知；全局定位——一般只給出不多，甚至不給出有關於起始位置環境特徵的先驗信息。spring

因此，同步定位與地圖構建（SLAM）被定義爲如下問題：在創建新地圖模型或者改進已知地圖的同時，在該地圖模型上定位機器人。實際上，這兩個核心問題若是分開解決，將毫無心義；必須同時求解。編程

在機器人可以根據一系列觀測值回答「這個世界長什麼樣」以前，它須要知道的額外信息不少，好比如下：app

它自身的運動學特徵,
信息的自動得到須要什麼樣的品質,
附加的支持觀測值能從哪些源獲得。在沒有地圖或者方向參考的前提下，對機器人的當前位置估測是一個複雜的任務。^[1]這裏的"位置"能夠簡單指代機器人的所處方位，也能夠包括它的姿式形態。

技術上的問題

同步定位與地圖構建（SLAM）能夠被看作是一個雞生蛋蛋生雞的問題：完美的定位須要用到一個無誤差的地圖；但這樣的地圖又須要精確的位置估測來描繪。這就是一個迭代數學問題解決策略的起始條件。做爲對比，原子軌道模型能夠被看作一個在不精確的觀測條件下說明足夠多的結果的經典方法。dom

再者，因爲多個傳感器對機器人的相對運動的辨別存在固有的不肯定性，上一節提到的兩個「核心問題」也不像看起來的那麼簡單。通常來講，因爲技術環境中總會考慮噪聲，因此SLAM方法要考慮的不僅是數學上的緊湊解，也包括與那些和結果相關的物理概念的相互做用。

若是在地圖構建的下一個迭代步驟中，測得的距離和方向有可預知的一系列不精確度——一般由傳感器有限的的精確度和外加的環境噪聲所引發，那麼附加到地圖上的全部特徵都將會含有相應的偏差。隨着時間的推移和運動的變化，定位和地圖構建的偏差累計增長，將會對地圖自己和機器人的定位、導航等能力的精度產生很大的扭曲。

有許多技術能補償這些偏差，好比那些能再現某些特徵過去的值的方法（也就是說，圖像匹配法或者環路閉合檢測法），或者對現有的地圖進行處理——以融合該特徵在不一樣時間的不一樣值。此外還有一些用於SLAM統計學的技術可起到做用，包括卡爾曼濾波、粒子濾波（其實是一種蒙特卡羅方法）以及掃描匹配的數據範圍。

地圖構建

在機器人技術社區中，SLAM的地圖構建一般指的是創建與環境幾何一致的地圖。而通常算法中創建的拓撲地圖只反映了環境中的各點鏈接關係，並不能構建幾何一致的地圖。所以，這些拓撲算法不能被用於SLAM。

在實用中，SLAM一般要被剪裁至適應可得到的資源，因而能夠看出它的目標不是完美，而是操做實用性。已經發布的SLAM方法已被應用於無人機、無人潛艇、行星探測車、最近大熱的家政機器人、甚至人體內部。^[2]

學界大體都認爲，SLAM問題的「正在獲得解決」是過去十年間機器人研究領域的最重大成果之一。^[3] 該領域中仍有許多有待解決的難題，好比圖像匹配和計算複雜度等方面的相關問題。

基於SLAM文獻的最新研究進展中，有一條值得注意，就是對SLAM的機率論基礎進行從新估測。這個充滿了冒險家特質的方法大意以下：經過引入隨機有限集的、多目標的貝葉斯濾波器，使得基於特徵的SLAM算法得到卓越的性能，以此跳過對圖像匹配的依賴；但做爲代價，測量中的假警報率和漏檢率都會被提高。^[4] 這裏面的算法是基於機率假設密度濾波的方法來改進的。^[5]

傳感

SLAM研究中常用許多不一樣型號的傳感器來得到地圖數據。這些數據帶有統計獨立的偏差。^{[來源請求]}這個統計獨立是解決度量誤差和檢測中的噪聲的強制需求。簡單來講，就是任何一個東西都很難測的準確。好比一根1米長的棍子，你第一次測量的時候多是1.02米，第二次測量時1.05米，...。總之測量的時候多多少少都會有一些偏差在裏面，所以SLAM算法自己必需要有效的處理這些測量偏差。

這些傳感器能夠是光學的，好比1D的（單波束）或者2D的（掃描）激光測距儀、3D_Flash_LIDAR、2D或3D聲吶傳感器以及一個或多個2D攝像頭。從2005年開始，使用可視化傳感器（攝像頭）對SLAM的研究（可視化SLAM）如火如荼地展開，由於從那時起攝像頭開始普及（好比說手機廣泛帶有攝像頭）。^[6]

新近的方法使用了準光學的無線測距法，同時把三角測距法等幾何方法應用於SLAM中，用以消除微弱無線信號對測量的影響。

一種爲走路者設計的SLAM應用使用了一個裝在鞋頭的慣性測量單元做爲主要傳感器，該設計依賴於走路者能自動規避牆體這一假設。這個名爲FootSLAM的設計可被用於自動創建建築物的樓面佈置圖，從而方便創建該建築的室內定位系統。^[7]

定位

傳感器的結果會做爲定位算法的輸入。由幾何知識可知，對於n維的定位問題，任何傳感輸出必須包含至少一個多點定位和（n+1）個判別方程。爲了算出結果，有關於在絕對或相對的循環和鏡像座標系統下獲得的結果的先驗知識也是必要的。

建模

以上結果對地圖構建的貢獻，能夠在「2D建模並分別表示」或者在「3D建模並在2D上投影表示」中工做得同樣出色。做爲建模的一部分，機器人自己的運動學特徵也要被考慮進去，用以提升在固有背景噪聲下的傳感精度。構建的動態模型需平衡不一樣傳感器、不一樣局部偏差模型給出來的貢獻值，並最終包含一個基於地圖自己的銳利的可視化描述，這包括機器人的位置和方向等雲機率信息。地圖構建就是這樣一個動態模型的最終運算結果。

相關文獻

有關於SLAM的一個開創性工做是以R.C. Smith和P. Cheeseman爲表明，在1986年做出的對空間不肯定性的估測的研究。^[8]^[9]其餘該領域的開拓工做由Hugh_F._Durrant-Whyte的研究團隊在1990年代初所做出。^[10]

^參見

機器人學主題
卡爾曼濾波
蒙特卡洛定位法
粒子濾波
Stanley,一輛成功使用了SLAM技術的無人車
深度圖像的圖像配準
移動機器人編程工具包項目：一組開源、跨平臺的SLAM資料庫。
Multi Autonomous Ground-國際機器人競賽：一項160萬美圓的國際競賽，要求參賽者讓多臺無人車合做給一大片區域繪製地圖。

腳註資料

^ Definition according to OpenSLAM.org, a platform for SLAM researchers
^ Mountney, P.; Stoyanov, D. Davison, A. Yang, G-Z. Simultaneous Stereoscope Localization and Soft-Tissue Mapping for Minimal Invasive Surgery (PDF). MICCAI. 2006, 1: 347–354 [2010-07-30]. doi:10.1007/11866565_43.
^ Durrant-Whyte, H.; Bailey, T. Simultaneous Localization and Mapping (SLAM): Part I The Essential Algorithms (PDF). Robotics and Automation Magazine. 2006, 13 (2): 99–110 [2008-04-08]. doi:10.1109/MRA.2006.1638022.
^ J. Mullane, B.-N. Vo, M. D. Adams, and B.-T. Vo,. A random-finite-set approach to Bayesian SLAM, (PDF). IEEE Transactions on Robotics. 2011, 27 (2): 268–282. doi:10.1109/TRO.2010.2101370.
^ R. P. S. Mahler,. Statistical Multisource-Multitarget Information Fusion.. Artech House,. 2007.
^ Karlsson, N.; Di Bernardo, E.;Ostrowski, J;Goncalves, L.;Pirjanian, P.;Munich, M. The vSLAM Algorithm for Robust Localization and Mapping. Int. Conf. on Robotics and Automation (ICRA). 2005.
^ Robertson, P.; Angermann, M.;Krach B. Simultaneous Localization and Mapping for Pedestrians using only Foot-Mounted Inertial Sensors (PDF). Ubicomp 2009. Orlando, Florida, USA: ACM. 2009. doi:10.1145/1620545.1620560.
^ Smith, R.C.; Cheeseman, P. On the Representation and Estimation of Spatial Uncertainty (PDF). The International Journal of Robotics Research. 1986, 5 (4): 56–68 [2008-04-08]. doi:10.1177/027836498600500404.
^ Smith, R.C.; Self, M.;Cheeseman, P. Estimating Uncertain Spatial Relationships in Robotics (PDF). Proceedings of the Second Annual Conference on Uncertainty in Artificial Intelligence. UAI '86. University of Pennsylvania, Philadelphia, PA, USA: Elsevier: 435–461. 1986.
^ Leonard, J.J.; Durrant-whyte, H.F. Simultaneous map building and localization for an autonomous mobile robot. Intelligent Robots and Systems' 91.'Intelligence for Mechanical Systems, Proceedings IROS'91. IEEE/RSJ International Workshop on. 1991: 1442–1447 [2008-04-08]. doi:10.1109/IROS.1991.174711.