2018, Vol. 27
同时定位与地图构建(Simultaneous Localization And Mapping, SLAM), 是搭载特定传感器的主体在没有环境先验信息的情况下(即未知环境下), 在运动过程中建立环境的模型, 并同时估计自身的运动[1]. 如今SLAM已经成为移动机器人领域研究的热门问题.
移动机器人对未知环境的探索一直是其自主化研究的热点和难点, 而SLAM则是其中一个重要的基本问题, 是实现移动机器人自主定位、自主导航、路径规划、目标识别及目标跟踪等任务的基础和前提, 并应用在地面机器人[2,3]、水下机器人[4,5]、无人机[6,7]等平台上. SLAM技术被认为是移动机器人是否能够实现自主化的关键. 而随着人类社会的不断进步和发展, 人们在生产生活中对智能移动产品的需求与日俱增, 移动机器人的应用环境因此更趋复杂化和非结构化, SLAM问题已成为自主移动机器人面临的急需解决的重要基础性难题. 而在互联网与科技创新的今天, SLAM技术在物流、教育、医疗、服务、娱乐等行业有着十分广阔的应用前景.
很多机器人对环境的构建都是在环境地图已知的情况下完成的, 但是通常情况下却很难事先获取环境地图, 而SLAM正是提供了一种未知环境下同时定位与地图构建的方法. SLAM主要包含机器人状态估计和环境地图构建两大部分, 机器人的状态估计通过其位置和方向来描述, 环境地图则描述了机器人的运动环境, 该地图的构建通过地标和障碍的位置来完成. 该地图的构建不仅是为了支持额外的任务如路径规划、导航等, 也是为了能够修正状态估计的定位误差, 在没有地图信息时能够减小漂移带来的误差, 在有地图时通过重新访问已知区域来“重置”误差(也称闭环)[8–10]. 所以说, SLAM就是在移动机器人不断运动过程中, 通过自身传感器对自身位置进行估计的同时构建周围环境地图的过程. 因此同时定位与地图构建是移动机器人导航研究的基础, 也是移动机器人实现自主性的最重要条件之一.
1 SLAM发展现状上世纪80年代时的SLAM问题是一个状态估计问题, 最早是由Smith, Self和Cheeseman提出来的[11], 当时被称为“空间状态不确定性的估计”. 由此开始的三十年, 前一阶段的二十年来主要研究了基于概率估计的SLAM[12,13], 例如扩展卡尔曼滤波、粒子滤波和最大似然估计, 这一阶段面临着数据关联稳定性和算法有效性的挑战; 之后的十年则是算法的分析, 主要包含算法的可观测性、收敛性、一致性问题, 滤波算法变得日趋成熟.
随着计算机视觉的发展, 在2006年视觉SLAM作为一个新的分支被提出[14]并受到研究者的关注, 直到2012年视觉SLAM成为机器人领域的热点问题. 而在这个过程中, SLAM逐渐被划分为两个部分, 首先是前端, 通过传感器的观测来获取相关信息, 主要涉及计算机视觉及信号处理相关理论, 如图像的特征提取与匹配等; 其次是后端, 对获取的信息筛选优化并得到有效信息, 其中几何、图论、优化、概率估计等都是所涵盖的研究内容, 主要涉及滤波及非线性优化, 如回环检测、位姿图优化. 表1对基于概率估计的和视觉SLAM方法作了详尽的比较. 随着SLAM技术的不断发展, 基于多机器人的SLAM[15–17]也成为很多研究者关注的方向.
基于此, 本文从不确定性、数据关联、环境地图表达三大关键问题出发, 详细阐述了移动机器人SLAM实现方法的研究现状, 并讨论了目前视觉SLAM存在的问题及面临的挑战, 给出未来SLAM发展趋势.
|
表 1 基于概率估计的和视觉SLAM方法比较 |
2 SLAM关键问题 2.1 不确定性问题
SLAM的不确定[11,18]主要来源于机器人系统和非系统误差. 前者主要是机器人或传感器本身存在的参数不准确, 后者则是由于外界环境所导致的误差. 其不确定主要体现在以下3方面:
(1) 移动机器人轮子的打滑、未知外力的影响都会造成一定的不确定性;
(2) 移动机器人传感器对环境特征观测的不确定性, 主要是传感器本身参数(如分辨率、测量精度等)以及噪声的影响;
(3) 由于观测噪声等的影响, 观测数据与地图数据对应匹配时可能会导致数据关联错误.
由于移动机器人SLAM不确定性, 导致难以建立准确的模型. 就传感器观测数据的不确定性来说, 可采用高分辨率或者多传感器数据融合的办法来解决, 最大程度减小误差积累. 通过多传感器数据融合可提高SLAM准确性, 如文献[7]利用视觉和惯性传感器(如IMU), 充分结合图像和测量信息(加速度和角速度)进行综合处理, 减少客观存在的不确定性引起的误差.
2.2 数据关联问题数据关联问题指建立当前传感器观测数据与地图中已观测数据间的对应关系, 确定是否都来源于同一特征. 数据关联在一定程度上体现了SLAM方法的准确定, 其主要受以下三点因素的影响:
(1) 由于错误的数据关联会导致对环境地图更新以及位姿估计的错误, 所以对于环境特征的提取和描述有着很高的稳定性要求.
(2) 传感器的测量噪声、动态环境特征等不确定因素也会影响数据关联的准确性.
(3) 数据关联算法的选择也非常重要, 这直接影响着机器人SLAM的准确性和鲁棒性. 现在已有的一些算法有最近邻数据关联法(Nearest Neighbor, NN)[19]、基于概率的数据关联(Probability Data Association, PDA)[20]、基于几何关系的数据关联[21]等算法.
在视觉SLAM上把这种数据关联也称为回环检测[22,23], 其实质上就是判断经过的地方是否为曾经经过的同一地方, 是一种对图像相似性的检测方法. 随着时间的推移, 误差累积逐渐增加. 如图1椭圆圈所示, 可以直观的看出由于积累误差导致的漂移, 这使得构建的地图边界不一致. 所以它关系到我们估计的轨迹和地图边界在一段时间内的准确性.
|
图 1 积累误差导致的地图不准确示意图 |
2.3 环境地图的表达问题
移动机器人通过传感器来感知周围环境, 最终建立自己的环境地图. 研究者对于地图存在不同需求, 构建地图主要是服务于定位, 则需要建立与任务要求对应的地图. 构建的地图需满足以下三点要求:
(1) 地图要能准确描述环境特征;
(2) 在有噪声干扰等不确定信息的存在下准确估计机器人的位姿;
(3) 地图的构建能够充分展示环境的特征信息, 根据不同的任务需求建立相应的地图模型, 并保证SLAM的精度. 在保证精度的同时, 尽量减少地图创建过程中的数据量, 来提高SLAM算法的实时性.
常用的一些环境地图的构建方法有[24](如图2所示): 2D栅格地图、2D拓扑地图、3D点云地图、3D网格地图, 以及近两年刚兴起的八叉树[25], 该方法占用存储空间小且能够实现动态建模, 在实时性上优于3D点云地图.
|
图 2 四种建图方法(①栅格地图; ②拓扑地图; ③点云地图; ④八叉树) |
3 SLAM研究方法
由于SLAM问题涉及未知且不确定的环境信息和干扰噪声, 一般通过概率方法来描述该问题. 卡尔曼滤波方法是多种SLAM算法的基础, 但是其计算量大和对数据关联不敏感的缺点也十分明显, 随后提出的基于粒子滤波的算法在这两方面有所改进. 而视觉SLAM则是在地图构建上有了新的突破.
3.1 基于卡尔曼滤波的算法研究在基于路标的移动机器人SLAM中, 通常把机器人位姿r和地图信息m存储在一个状态向量X=[r m]T中, 并假设系统的观测模型和运动模型都是服从高斯分布的[26]. 该方法的基本思想就是通过机器人位姿与环境特征之间的关系以及其状态协方差所构成的不确定信息, 完成对机器人位姿和地图构建的一个循环迭代的估计校正过程. 卡尔曼滤波是一种满足高斯分布的最优的最小方差贝叶斯估计, 但该方法只能适用于线性估计问题, 而一般的问题都是涉及非线性问题, 所以基于非线性模型的扩展卡尔曼滤波在SLAM上的应用更为广泛. 该方法不仅易于实现, 且在处理不确定信息方面有着很多优点, 已经用于许多SLAM的研究中. EKF用一阶泰勒展开式近似表示非线性, 这样不可避免地会引入线性化误差[27,28], 通过预测和更新难以达到最优.
该方法简单容易实现, 但是也存在着很多的问题. 系统协方差能够很好的处理不确定信息, 协方差矩阵维持机器人与特征标志之间以及各标志之间的相关关系, 对算法的收敛性起着重要的作用. 但其更新导致繁重的计算量, 复杂度可达到O(n2)[29], n为地图特征标志数.
3.1.1 不确定性针对处理不确定信息时存在的计算量问题, 研究者提出了一些改进算法. 主要总结为以下两方面:
(1)从大规模环境方面来说, 文献[30]引入局部子地图, 在各子地图中分别实现SLAM, 有效的减小了计算量. 文献[31]提出一种改进的算法KLM-EKF, 用已知路标的信息对机器人位姿和协方差矩阵进行修正, 并创建辅助系数矩阵修正已构建地图, 最终实现路标的全局更新.
(2)从协方差的角度来说, 文献[32]提出一种平方根容积卡尔曼滤波(Square-Root Cubature Kalman Filter, SCKF)算法, 利用传递平方根因子代替协方差矩阵, 计算中避免了耗费时间的Cholesky分解, 一定程度上减小了线性化误差, 提高了算法效率. 文献[33]引入稀疏矩阵概念, 忽略取值较小的元素, 文献[34]提出的扩展信息滤波器(Extended Information Filter, EIF)算法利用稀疏矩阵概念, 采用协方差矩阵的逆矩阵表示不确定信息来进行局部信息更新, 有效降低时间复杂度.
3.1.2 数据关联针对数据关联问题, 由于机器人位置和地图特征标志位置是未知的, 不确定性参数符合高斯分布, 随着运动距离的增大位置误差不断增大, 都会导致数据关联不准确, 这也被称为一致性问题[35,36]. 虽然国内对数据关联方面进行了一定研究, 但对于机器人定位估计的一致性一直缺乏完善的理论分析.
大多数的文献都在计算量和数据关联上进行了改进, 而忽略了对算法一致性的重视. 在为数不多的相关研究中, 文献[37]提出是由于非线性误差积累导致算法不一致性. 运动模型和观测模型必须要进行线性化才能保证算法的收敛性, 线性化虽然简化了问题但使得系统产生了截断误差, 使得估计的状态值和协方差与真实的状态值和协方差不匹配, 对其精度产生影响. 文献[38]提出的迭代卡尔曼滤波算法, 通过多次迭代估计提高了估计精度, 减小了估计误差. 但其实噪声不完全服从高斯分布, 以及当在大规模环境下时都会导致不一致的可能.
有研究表明认为不一致的本质原因在于机器人姿态角的误差和不确定性. 近年来国外有文献提出, 不一致是由于全局参考坐标起点和方向的不可观测性引起, 并提出了IEKF-SLAM (Invariant-Extended Kalman Filter)算法[39], 证明了基于不变量扩展卡尔曼滤波SLAM算法的收敛性和一致性. 文献[40]进一步证明了3D不变量扩展卡尔曼滤波SLAM算法的一致性.
综上所述, 基于卡尔曼滤波的SLAM在非线性系统中有着广泛的应用, 且实现容易, 能够很好地处理不确定信息. 随后的研究在减小非线性化误差, 提高算法精度上也有着很大贡献, 但在高维复杂环境下对数据关联的不敏感对SLAM的性能还是有很大影响.
3.2 基于粒子滤波的算法研究EKF要求系统需要满足高斯分布, 而粒子滤波算法作为次优的滤波方法在解决非高斯非线性系统具有明显的优势, 其基本思想是用一组相关权重的随机样本集合, 以及基于这些样本的估计来近似表征后验概率密度函数, 采用样本均值代替积分运算来获得状态最小方差估计的过程[41].
3.2.1 不确定性常用的基于Rao-Blackwellised粒子滤波器(RBPF)解决了SLAM的理论问题[42], 该问题分解成机器人的位姿估计和地图估计, 大量的粒子数通过不断的采样-重采样, 使得每个粒子所估计的“粒子地图”更接近其真实值.
(1) 为了减少粒子数量, 文献[43]使用Kullback- Leibler Distance (KLD)方法自适应确定粒子数量. 文献[44]朱磊等将人工鱼群算法引入到RBPF SLAM中, 使粒子分布在重采样之前就更加接近真实情况, 然后利用定向重采样方法使新产生的粒子更加接近于真实运动情况. 文献[45]提出在计算提议分布时将机器人里程计信息和激光传感器采集的距离信息进行融合, 有效地减少了所需粒子的数量.
(2)对粒子的反复筛选会使得权重大的粒子多次被重复选择, 其余大量的粒子被舍弃, 导致粒子耗尽. 对于该问题, 文献[46]对重采样中权值较小的粒子进行遗传变异操作, 缓解粒子枯竭现象, 提高机器人位姿估计的一致性, 并维持粒子集的多样性. 再一种思路就是用自适应重采样技术[47], 给定一个权重方差的阈值, 当粒子权重方差低于该阈值是进行重采样, 达到既维护了合理的粒子权重方差又减少重采样次数的目的, 保证了粒子的多样性.
基于Rao-Blackwellised的粒子滤波方法引入自适应重采样技术减少了粒子耗尽问题, 计算粒子分布的时候不单单仅依靠机器人里程计信息, 同时考虑当前传感器的观测信息, 一定程度减少了机器人位置在粒子滤波步骤中的不确定性.
3.2.2 数据关联RBPF在特征地图和栅格地图的SLAM中都得到比较成功的应用. 与EKF SLAM相比, RBPF对数据关联不敏感, 容许错误的数据关联, 这意味着当发生数据关联错误时, EKF SLAM会得到比RBPF SLAM更好的结果. 而Montomerlo提出的基于Rao-Blackwellised的替代方法FastSLAM[48,49], 解决了数据关联对SLAM的影响.
FastSLAM利用在机器人路径已知的情况下各路标之间位置相互独立的特点(在已知数据关联情况下), 将粒子滤波表征为机器人的轨迹滤波, 则每个路标通过独立的EKF进行估计, 很好的融合了新的观测信息, 使得采样观测序列的影响有更好的鲁棒性.
相比于EKF的复杂度(主要是协方差的更新)和数据关联问题, FastSLAM计算复杂度可从O(nk)降低为O(klogn)[50], k为粒子数, n为路标数量, 适用于路标多的大环境问题, 由于粒子的独立性, 大大减小了数据关联的影响.
随后的研究中, 文献[51,52]将粒子群优化思想引入到FastSLAM中, 提出了一种基于粒子群优化的同时定位与建图方法. 通过粒子群优化方法对FastSLAM中预估粒子进行更新, 调整粒子的提议分布, 使得预测采样粒子集中于机器人的真实位姿附近. 该方法能有效提高SLAM的精度, 并减少所使用的粒子数以及计算的时间复杂度. 文献[53]通过混合里程计信息和距离传感器信息构造新的采样提议分布, 使得粒子采样更加准确, 并结合自适应的重采样方法, 有效地减少重采样次数, 避免频繁重采样导致的粒子耗尽问题, 进一步提高了算法的性能. 文献[54]对于解决粒子群退化问题时带来的贫化问题, 一改传统的优等粒子代替劣等粒子, 提出让次等离子向优等粒子方向移动的一种趋优重采样算法, 更好的维护了粒子群的多样性.
综上所述, FastSLAM算法的研究中, 研究者集中在建议分布、重采样策略和加入自适应机制做出了改进[55–57], 并实现了预期的效果. 受FastSLAM算法由来的启发, 粒子滤波算法与其他智能算法的结合也取得重要进展[58,59]. 由于FastSLAM数据关联的独立性, 使其在算法的快速性和抗干扰性上有着很好的优势, 在复杂大环境下应用广泛.
3.3 视觉SLAM基于概率估计的SLAM主要的应用环境、地图表示主要是在二维空间, 而在三维空间的扩展有所局限. 对于该问题, 一方面需要提高移动机器人对环境的感知能力, 另一方面也需要在现有感知能力限制下, 设计更好的SLAM系统, 以提高系统的实用性. 逐渐地视觉传感器实现机器人SLAM开始被提出, 视觉SLAM作为一个专有名词, 从2006年开始受到国内外学者的关注, 并发表一系列研究文献[60–63].
3.3.1 外部传感器视觉SLAM最开始使用的外部传感器主要有声纳和激光雷达[64,65], 具有分辨率高、抗有源干扰能力强等优点, 但其工作受到了环境的约束, 如GPS信号. 由于SLAM主要在未知环境下完成, 我们无从获知环境信息, 而相机能够获取精准直观的环境信息且成本低、功耗小.
随着计算机视觉的广泛应用, 利用相机作为外部传感器成为了视觉SLAM研究的主要方向. 根据其工作方式的不同, 可分为以下三种:
(1) 单目相机: 只能反映出三维场景的二维图像, 并没有体现出物体到相机之间的距离信息. 由于单目SLAM无法仅凭图像确定真实尺度, 尺度不确定性是其主要特点, 也是误差的主要来源. 人们开始使用双目和深度相机.
(2) 双目相机: 通过左右眼图像的差异来判断场景中物体的远近, 能从直接提取完整的特征数据. 它既能应用于室内也能应用于室外. 但是像素点的深度需要大量的计算才能得到, 且配置与标定复杂, 所以计算量是双目的主要问题之一.
(3) RGB-D相机: 可同时获取图像彩色信息和深度信息. 微软公司2010年推出的Kinect相机为三维SLAM问题的解决提出了新思路, 由于Kinect价格便宜、简单方便, 且能快速获取环境的彩色信息和深度信息, 不受光谱的影响[66], 这使基于RGB-D的SLAM得到了迅速的发展[67–71].
3.3.2 标志性研究成果视觉SLAM的先驱Davison在2007年提出了MonoSLAM[72], 是第一个基于EKF的实时单目视觉系统, 以EKF为后端来追踪前端非常稀疏的特征点. 随后Klein等人提出了PTAM[73](Parallel Tracking Mapping), 是第一个将跟踪和建图分为两个单独任务并在两个平行的线程进行处理, 该研究奠定了视觉SLAM后端处理以非线性优化为主导而不是使用传统的滤波器作为后端. 继PTAM的双线程结构后, Tardos又提出的ORB-SLAM三线程结构[74](即特征点的实时跟踪、地图创建及局部优化、地图全局优化)实现稀疏地图的构建, 同时支持单目、双目、RGB-D三种模式, 并得到了研究者的认同. 而LSD-SLAM是J. Engle等人2014年提出的直接法应用在半稠密的单目SLAM中[75], 也就是直接对像素点进行处理并构建出大规模的三维环境地图. 类比于ORB-SLAM, LSD-SLAM则标志着单目直接法在SLAM中的成功应用, 以及地图从稀疏到半稠密的转变. 同时2014年提出的RTAB-MAP[76]是RGB-D中经典的一个方法, 能够实现基于特征的视觉里程计、基于词袋的回环检测、后端的位姿图优化、点云图和三角网络地图, 但由于其集成度较高, 在其基础上的开发变得比较困难.
随着开源方案的增多, 还有一些算法也逐渐普及, 如DTAM、DVO、RGBD-SLAM-V2等. 表2列出了视觉SLAM的几种典型方法的特点及优缺点. 视觉传感器很好地利用了丰富的环境信息, 实现了从早期二维地图到三维地图的转化, 丰富了地图信息, 扩展了应用领域, 有着很大的实用价值. 但在现实环境下还存在很大的鲁棒性和高适应能力技术挑战.
|
|
表 2 视觉SLAM五种典型方法的比较 |
3.3.3 视觉SLAM存在的问题
视觉SLAM近年来虽然有着很多的研究成果, 但是仅用相机作为唯一外部传感器进行同时定位地图构建还是存在着很多问题及挑战.
(1)机器人在不同时刻观测到的环境地图会受到各种噪声的干扰, 导致视觉定位误差和对环境结构的错误表达. 例如: 动态环境、相机观测角度、相机噪声、光照变化都可能导致视觉观测的不准确, 从而影响到地图结构的正确性. 对于RGB-D相机来说, 噪声的干扰使得相机不能得到准确的深度信息, 导致不能进行准确的定位.
(2)动态环境下信息的丢失也是一大问题, 导致该问题的原因有很多, 例如: 运动的不连续、环境特征点少等. 这些问题不仅会影响关键帧匹配和回环检测的效果, 也会降低环境地图的质量, 这对于视觉导航是不利的. 因此如何有效地降低各种噪声产生的负面影响、减少误差的积累以增强视觉SLAM的鲁棒性、实时性是非常值得研究的课题.
4 SLAM未来发展趋势根据现有SLAM技术应用的场合, 如运动、导航、娱乐等, 我们希望SLAM能够在嵌入式或者手机等便携的小型设备上使用, 更好地为上层应用服务, 或者也能利用高性能计算设备实现精密的三维重建等. 为此, 我们把SLAM未来发展方向分为以下三个方向:
(1)从硬件条件来说: 结合多种传感器(例如惯性传感器、光流计、里程计等). 例如惯性传感器IMU与相机的结合, 能够提供相机快速运动下较好的估计. 虽然这种方法只是处于试验阶段, 但是这样的结合为SLAM提供了非常有效的方法. 我们希望SLAM能够在小型化低成本的低端硬件上实现, 例如手机等移动终端上, 从更加实际的角度出发让算法更加实用, 能够应用在复杂的现实场景下.
(2)从软件算法上来说: 结合深度学习. 随着深度学习在人工智能领域的发展, 通过与SLAM的结合我们能够实现对图像更加准确的识别、检测, 使得机器人能够更有效的识别环境信息[77,78], 更加准确的估计机器人位姿状态. 虽然这些方法有着很好的准确性, 但是还不成熟. 所以深度学习与SLAM结合来处理图像是未来研究趋势.
(3)从应用层面来说: 地图的呈现形式能够更加包罗万象, 更好地应用于实际. 针对不同的任务需求以及场景环境都能对应相应的地图形式, 更好地服务于人类. 所以在现有地图形式基础上开发新型的地图模型是未来需要不断探索的方向.
5 结束语SLAM在研究的近三十年来发展十分迅速, 基于概率估计的SLAM方法一定程度上解决了不确定性问题以及数据关联问题, 但其地图构建仅局限于二维地图形式, 实时性和适应环境能力远远达不到实际应用的条件, 而基于视觉信息的SLAM方法具有很好的感知环境的能力使其在适应性与实时性上有一定优势, 并能实现三维环境地图的构建, 更好地提高SLAM实用性. 所以在复杂多变的环境下, 有效的融合多种传感器信息, 并结合先进的人工智能算法是SLAM的发展趋势.
| [1] |
Wang H, Huang SD, Khosoussi K, et al. Dimensionality reduction for point feature SLAM problems with spherical covariance matrices. Automatica, 2015(51): 149-157. DOI:10.1016/j.automatica.2014.10.114 |
| [2] |
Szendy B, Balázs E, Szabó-Resch MZ, et al. Simultaneous localization and mapping with TurtleBotII. IEEE International Symposium on Computational Intelligence and Informatics. IEEE. 2016. 233–237.
|
| [3] |
Lategahn H, Geiger A, Kitt B. Visual SLAM for autonomous ground vehicles. Proceedings of the 2011 IEEE International Conference on Robotics and Automation (ICRA). Shanghai, China. 2011. 1732–1737.
|
| [4] |
Beall C, Lawrence BJ, Ila V, et al. 3D reconstruction of underwater structures. Proceedings of the 2010 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). Taipei, China. 2010. 4418–4423.
|
| [5] |
Kim A, Eustice RM. Real-time visual SLAM for autonomous underwater hull inspection using visual saliency. IEEE Transactions on Robotics, 2013, 29(3): 719-733. DOI:10.1109/TRO.2012.2235699 |
| [6] |
Li RB, Liu JY, Zhang L, et al. LIDAR/MEMS IMU integrated navigation (SLAM) method for a small UAV in indoor environments. Proceedings of the 2014 DGON Inertial Sensors and Systems Symposium (ISS). Karlsruhe, Germany. 2014. 1–15.
|
| [7] |
Marzat J, Bertrand S, Eudes A, et al. Reactive MPC for autonomous MAV navigation in indoor cluttered environments: Flight experiments. IFAC-PapersOnLine, 2017, 50(1): 15996-16002. DOI:10.1016/j.ifacol.2017.08.1910 |
| [8] |
Chaib K, Hamerlain M, Achour N, et al. Visual odometry with loop closing detection using iterative closest SURF point. Proceedings of the 6th International Conference on Systems and Control (ICSC). Batna, Algeria. 2017. 503–508.
|
| [9] |
Latif Y, Cadena C, Neira J. Robust loop closing over time for pose graph SLAM. The International Journal of Robotics Research, 2013, 32(14): 1611-1626. |
| [10] |
Sünderhauf N, Protzel P. Towards a robust back-end for pose graph SLAM. Proceedings of the 2012 IEEE International Conference on Robotics and Automation (ICRA). Saint Paul, MN, USA. 2012. 1254–1261.
|
| [11] |
Smith R, Self M, Cheeseman P. Estimating uncertain spatial relationships in robotics. Autonomous Robot Vehicles. Springer. New York, NY, USA. 1990. 167–193.
|
| [12] |
Durrant-Whyte H, Bailey T. Simultaneous localization and mapping: Part I. IEEE Robotics & Automation Magazine, 2006, 13(2): 99-110. |
| [13] |
Bailey T, Durrant-Whyte H. Simultaneous localization and mapping (SLAM): Part II. IEEE Robotics & Automation Magazine, 2006, 13(3): 108-117. |
| [14] |
Neira J, Davison AJ, Leonard JJ. Guest editorial special issue on visual SLAM. IEEE Transactions on Robotics, 2008, 24(5): 929-931. DOI:10.1109/TRO.2008.2004620 |
| [15] |
Saeedi S, Trentini M, Seto M, et al. Multiple‐robot simul-taneous localization and mapping: A review. Journal of Field Robotics, 2016, 33(1): 3-46. DOI:10.1002/rob.21620 |
| [16] |
Hidayat F, Trilaksono BR, Hindersah H. Distributed multi robot simultaneous localization and mapping with consensus particle filtering. Journal of Physics: Conference Series, 2017, 801(1): 012003. |
| [17] |
Lázaro MT, Paz LM, Piniés P, et al. Multi-robot SLAM using condensed measurements. Proceedings of the 2013 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). Tokyo, Japan. 2013. 1069–1076.
|
| [18] |
张毅, 付梦印, 王美玲. 一种基于计算几何的空间状态表示与定位估计方法. 第26届中国控制与决策会议论文集. 长沙, 中国. 2014.
|
| [19] |
Nuchter A, Surmann H, Lingemann K, et al. 6D SLAM with an application in autonomous mine mapping. Proceedings of the 2004 IEEE International Conference on Robotics and Automation. New Orleans, LA, USA. 2004, 2: 1998–2003.
|
| [20] |
Bar-Shalom Y, Daum F, Huang J. The probabilistic data association filter. IEEE Control Systems, 2009, 29(6): 82-100. DOI:10.1109/MCS.2009.934469 |
| [21] |
Bailey T, Nebot EM, Rosenblatt JK, et al. Data association for mobile robot navigation: A graph theoretic approach. Proceedings of IEEE International Conference on Robotics and Automation. San Francisco, CA, USA. 2000, 3. 2512–2517.
|
| [22] |
Latif Y, Cadena C, Neira J. Robust loop closing over time for pose graph SLAM. The International Journal of Robotics Research, 2013, 32(14): 1611-1626. DOI:10.1177/0278364913498910 |
| [23] |
Carlone L, Censi A, Dellaert F. Selecting good measurements via ℓ1 relaxation: A convex approach for robust estimation over graphs. Proceedings of the 2014 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2014). Chicago, IL, USA. 2014. 2667–2674.
|
| [24] |
Beeson P, Modayil J, Kuipers B. Factoring the mapping problem: Mobile robot map-building in the hybrid spatial semantic hierarchy. The International Journal of Robotics Research, 2010, 29(4): 428-459. DOI:10.1177/0278364909100586 |
| [25] |
Hornung A, Wurm KM, Bennewitz M, et al. OctoMap: An efficient probabilistic 3D mapping framework based on octrees. Autonomous Robots, 2013, 34(3): 189-206. DOI:10.1007/s10514-012-9321-0 |
| [26] |
罗荣华, 洪炳镕. 移动机器人同时定位与地图创建研究进展. 机器人, 2004, 26(2): 182-186. |
| [27] |
刘建华, 刘华平, 杨建国, 等. 测距式传感器同时定位与地图创建综述. 智能系统学报, 2015, 10(5): 655-662. |
| [28] |
Valiente D, Gil A, Fernández L, et al. A comparison of EKF and SGD applied to a view-based SLAM approach with omnidirectional images. Robotics and Autonomous Systems, 2014, 62(2): 108-119. DOI:10.1016/j.robot.2013.11.009 |
| [29] |
Dissanayake MWMG, Newman P, Clark S, et al. A solution to the simultaneous localization and map building (SLAM) problem. IEEE Transactions on Robotics and Automation, 2001, 17(3): 229-241. DOI:10.1109/70.938381 |
| [30] |
苑晶, 黄亚楼, 陶通, 等. 基于局部子地图方法的多机器人主动同时定位与地图创建. 机器人, 2009, 31(2): 97-103. |
| [31] |
邓伟, 梁岚珍, 浦剑涛. 大范围环境中EKF-SLAM问题的改进算法. 计算机仿真, 2014, 31(11): 345-348, 385. DOI:10.3969/j.issn.1006-9348.2014.11.079 |
| [32] |
康轶非, 宋永端, 宋宇, 等. 平方根容积卡尔曼滤波在移动机器人SLAM中的应用. 机器人, 2013, 35(2): 186-193. |
| [33] |
Julier SJ. A sparse weight Kalman filter approach to simultaneous localisation and map building. Proceedings of the 2001 IEEE/RSJ International Conference on Intelligent Robots and Systems. Maui, HI, USA. 2001, 3. 1251–1256.
|
| [34] |
郭文县, 高晨曦, 张智, 等. 基于特征稀疏策略的室内机器人SLAM研究. 计算机工程与应用, 2017, 53(16): 110-115. DOI:10.3778/j.issn.1002-8331.1603-0100 |
| [35] |
Leonard J, Newman P. Consistent, convergent, and constant-time SLAM. Proceedings of the 18th International Joint Conference on Artificial Intelligence. Acapulco, Mexico. 2003. 1143–1150.
|
| [36] |
季秀才, 郑志强, 张辉. SLAM问题中机器人定位误差分析与控制. 自动化学报, 2008, 34(3): 323-330. |
| [37] |
李久胜, 李永强, 周荻. 基于EKF的SLAM算法的一致性分析. 计算机仿真, 2008, 25(6): 155-160. |
| [38] |
强敏利, 张万绪. IEKF滤波在移动机器人定位中的应用. 电子技术应用, 2013, 39(2): 74-77. |
| [39] |
Bailey T, Nieto J, Guivant J, et al. Consistency of the EKF-SLAM algorithm. 2006 IEEE/RSJ International Conference on Intelligent Robots and Systems. IEEE. 2006. 3562–356
|
| [40] |
Zhang T, Wu KZ, Song JW, et al. Convergence and consistency analysis for a 3-D invariant-EKF SLAM. IEEE Robotics and Automation Letters, 2017, 2(2): 733-740. DOI:10.1109/LRA.2017.2651376 |
| [41] |
胡士强, 敬忠良. 粒子滤波算法综述. 控制与決策, 2005, 20(4): 361-365, 371. |
| [42] |
Murangira A, Musso C, Dahia K. A mixture regularized rao-blackwellized particle filter for terrain positioning. IEEE Transactions on Aerospace and Electronic Systems, 2016, 52(4): 1967-1985. DOI:10.1109/TAES.2016.150089 |
| [43] |
Fox D. Adapting the sample size in particle filters through KLD-sampling. The International Journal of Robotics Research, 2003, 22(12): 985-1003. DOI:10.1177/0278364903022012001 |
| [44] |
朱磊, 樊继壮, 赵杰, 等. 未知环境下的移动机器人SLAM方法. 华中科技大学学报(自然科学版), 2011, 39(7): 9-13. |
| [45] |
罗元, 余佳航, 汪龙峰, 等. 改进RBPF的移动机器人同步定位与地图构建. 智能系统学报, 2015, 10(3): 460-464. |
| [46] |
林海波, 柯晶晶, 张毅. 结合粒子群寻优与遗传重采样的RBPF算法. 计算机工程, 2016, 42(11): 295-299. DOI:10.3969/j.issn.1000-3428.2016.11.050 |
| [47] |
于金霞, 汤永利, 许景民. 粒子滤波算法改进策略研究. 计算机应用研究, 2012, 29(2): 459-462. |
| [48] |
Montemerlo M, Thrun S, Koller D, et al. FastSLAM: A factored solution to the simultaneous localization and mapping problem. Proceedings of the AAAI National Conference on Artificial Intelligence. 2002. 593–598.
|
| [49] |
Montemerlo M, Thrun S. Simultaneous localization and mapping with unknown data association using FastSLAM. Proceedings of the 2003 IEEE International Conference on Robotics and Automation. Taipei, China. 2003, 2. 1985–1991.
|
| [50] |
Nieto J, Guivant J, Nebot E, et al. Real time data association for FastSLAM. Proceedings of the 2003 IEEE International Conference on Robotics and Automation. Taipei, China. 2003, 1. 412–418.
|
| [51] |
陈白帆, 蔡自兴, 袁成. 基于粒子群优化的移动机器人SLAM方法. 机器人, 2009, 31(6): 513-517. |
| [52] |
Lee SH, Eoh G, Lee BH. Relational FastSLAM: An improved Rao-Blackwellized particle filtering framework using particle swarm characteristics. Robotica, 2016, 34(6): 1282-1296. DOI:10.1017/S0263574714002264 |
| [53] |
安婷婷, 肖南峰. 粒子滤波器SLAM算法研究. 计算机仿真, 2010, 27(8): 73-77. |
| [54] |
李秀智, 刘红云, 居鹤华. 粒子滤波趋优重采样算法及仿真研究. 计算机仿真, 2011, 28(2): 221-224. |
| [55] |
罗元, 庞冬雪, 张毅, 等. 基于自适应多提议分布粒子滤波的蒙特卡洛定位算法. 计算机应用, 2016, 36(8): 2352-2356. DOI:10.11772/j.issn.1001-9081.2016.08.2352 |
| [56] |
Pei FJ, Li HY, Cheng YH. An improved FastSLAM system based on distributed structure for autonomous robot navigation. Journal of Sensors, 2014, 2014: 456289. |
| [57] |
Havangi R, Taghirad HD, Nekoui MA, et al. A square root unscented FastSLAM with improved proposal distribution and resampling. IEEE Transactions on Industrial Electronics, 2014, 61(5): 2334-2345. DOI:10.1109/TIE.2013.2270211 |
| [58] |
李天成, 范红旗, 孙树栋. 粒子滤波理论、方法及其在多目标跟踪中的应用. 自动化学报, 2015, 41(12): 1981-2002. |
| [59] |
王耀南, 余洪山. 未知环境下移动机器人同步地图创建与定位研究进展. 控制理论与应用, 2008, 25(1): 57-65. |
| [60] |
Huang AS, Bachrach A, Henry P, et al. Visual odometry and mapping for autonomous flight using an RGB-D camera. In: Christensen HI, Khatib O, eds. Robotics Research. Cham: Springer, 2017. 235–252.
|
| [61] |
Weikersdorfer D, Hoffmann R, Conradt J. Simultaneous localization and mapping for event-based vision systems. In: Chen M, Leibe B, Neumann B, eds. International Conference on Computer Vision Systems. Berlin Heidelberg: Springer, 2013. 133–142.
|
| [62] |
Weikersdorfer D, Adrian DB, Cremers D, et al. Event-based 3D SLAM with a depth-augmented dynamic vision sensor. Proceedings of the 2014 IEEE International Conference on Robotics and Automation (ICRA). Hong Kong, China. 2014. 359–364.
|
| [63] |
Fraundorfer F, Scaramuzza D. Visual odometry: Part II: Matching, robustness, optimization, and applications. IEEE Robotics & Automation Magazine, 2012, 19(2): 78-90. |
| [64] |
Leonard JJ, Durrant-Whyte HF. Mobile robot localization by tracking geometric beacons. IEEE Transactions Robotics and Automation, 1991, 7(3): 376-382. DOI:10.1109/70.88147 |
| [65] |
Triebel RA, Burgard W. Improving simultaneous mapping and localization in 3D using global constraints. Proceedings of the 20th National Conference on Artificial Intelligence. Pittsburgh, PA, USA. 2005, 3. 1330–1335.
|
| [66] |
Essmaeel K, Gallo L, Damiani E, et al. Temporal denoising of kinect depth data. Proceedings of the 8th International Conference on Signal Image Technology and Internet Based Systems (SITIS). Naples, Italy. 2012. 47–52.
|
| [67] |
Khoshelham K, Elberink SO. Accuracy and resolution of Kinect depth data for indoor mapping applications. Sensors, 2012, 12(2): 1437-1454. DOI:10.3390/s120201437 |
| [68] |
Endres F, Hess J, Sturm J, et al. 3-D mapping with an RGB-D camera. IEEE Transactions on Robotics, 2014, 30(1): 177-187. DOI:10.1109/TRO.2013.2279412 |
| [69] |
辛菁, 苟蛟龙, 马晓敏, 等. 基于Kinect的移动机器人大视角3维V-SLAM. 机器人, 2014, 36(5): 560-568. |
| [70] |
Dryanovski I, Valenti RG, Xiao JZ. Fast visual odometry and mapping from RGB-D data. Proceedings of the 2013 IEEE International Conference on Robotics and Automation. Karlsruhe, Germany. 2013. 2305–2310.
|
| [71] |
Henry P, Krainin M, Herbst E, et al. RGB-D mapping: Using depth cameras for dense 3D modeling of indoor environments. In: Khatib O, Kumar V, Sukhatme G, eds. Experimental Robotics. Berlin Heidelberg: Springer, 2014. 477–491.
|
| [72] |
Davison AJ, Reid ID, Molton ND, et al. MonoSLAM: Real-time single camera SLAM. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2007, 29(6): 1052-1067. DOI:10.1109/TPAMI.2007.1049 |
| [73] |
Klein G, Murray D. Parallel tracking and mapping for small AR workspaces. Proceedings of the 6th IEEE and ACM International Symposium on Mixed and Augmented Reality. Nara, Japan. 2007. 225–234.
|
| [74] |
Mur-Artal R, Montiel JMM, Tardos JD. ORB-SLAM: A versatile and accurate monocular SLAM system. IEEE Transactions on Robotics, 2015, 31(5): 1147-1163. DOI:10.1109/TRO.2015.2463671 |
| [75] |
Engel J, Sturm J, Cremers D. Semi-dense visual odometry for a monocular camera. Proceedings of the 2013 IEEE International Conference on Computer Vision. Sydney, NSW, Australia. 2013. 1449–1456.
|
| [76] |
Labbé M, Michaud F. Online global loop closure detection for large-scale multi-session graph-based SLAM. Proceedings of the 2014 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2014). Chicago, IL, USA. 2014. 2661–2666.
|
| [77] |
Krizhevsky A, Sutskever I, Hinton GE. ImageNet classification with deep convolutional neural networks. Proceedings of the 25th International Conference on Neural Information Processing Systems. Lake Tahoe, NV, USA. 2012. 1097–1105.
|
| [78] |
He KM, Zhang XY, Ren SQ, et al. Deep residual learning for image recognition. Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas, NV, USA. 2016. 770–778.
|