机器人环境感知算法之算法分析阶段

  关注同名微信公众号“混沌无形”，阅读更多有趣好文！

原文链接： 


机器人环境感知研究现状简述（包含原文PDF百度云下载链接）

 

该阶段主要研究SLAM系统的基本性质，包括可观测性、收敛性和一致性，SLAM框架逐渐得到完善，系统性能显著提升。

在这阶段，首先Grisetti和Steux等人提出了改进滤波算法，如基于RBPF方法的Gmapping[5]，改进了提议分布和选择性重采样以提升性能，效果如图 2.2（a）。而CoreSLAM[6]将过程精简化为距离计算和地图更新两步，Hector SLAM[7]使用高斯牛顿法解决scan-matching问题，缺少回环检测，这两种算法简化SLAM系统，极提高了系统效率，但“牺牲”了鲁棒性。但基于滤波算法SLAM技术在处理信息时，总会丢失部分观测信息，并随着地图扩展而存在计算内存消耗大、累积误差扩大等问题。

为此，Konolige、Carlone和Hess等人将机器人运动姿态及约束关系采用稀疏有向图来表达，如KartoSLAM[8]、LagoSLAM[9]及cartographer[10]均采用（线性近似）图优化方法从全局优化机器人姿态序列，兼顾了系统效率及鲁棒性，进一步提高SLAM系统性能。

上述方法多属于激光SLAM，而随着传感器硬件发展迅猛，视觉传感器比激光传感器能获取更多的信息（如色彩），研究热点逐渐过渡到视觉SLAM。与激光SLAM相似，视觉SLAM框架由前端、后端、闭环检测及构图四部分组成，且按照前端特征点类别可分为稀疏法、半稠密法及稠密法，具体如下：

稀疏法：Klein、Davison和Mur-Artal等人分别使用不同的特征算子识别图像中的关键特征，如PTAM[11]使用FAST特征、MonoSLAM[12]使用Shi-Tomasi特征、ORB-SLAM[13]使用ORB特征等方法构建稀疏地图，降低数据量以提高系统效率，效果如图 2.2（e），相比于直接法有更好的容错性，但也损失了较多环境信息，主要用于跟踪相机（机器人）位姿。

稠密法：Newcombe和Whelan等人分别提出了DTAM[14]和ElasticFusion[15]方法，直接处理（近似）原始图像数据以构建稠密地图，效果如图 2.2（c），可提供场景细节，常用于三维重建、三维反求等领域。

半稠密法：Engel和Forster等人分别提的LSD-SLAM[16]和SVO[17]等方法，可构建半稠密地图，既包含部分环境特征信息，又实现自主定位，且地图内存消耗较稠密地图小，适合于机器人运动规划。

上述SLAM算法在系统效率、鲁棒性及环境表达等方面已经取得非常大的突破，且已成功应用于部分实际场景。然而，单纯的几何环境模型严重限制了机器人的交互能力，缺乏对环境内容的解读能力是限制机器人智能化的发展瓶颈之一。故追求高可靠稳定性的感知环境成了研究的焦点，由此进入鲁棒感知阶段。

 

 精彩的理论论证过程见原文链接（含全文下载链接）

由于网页排版效果一般，所以笔者按照期刊论文版式为小伙伴们整理了原文PDF，方便收藏和回味。

原文链接：（包含原文PDF百度云下载链接）
CSDN下载链接：机器人环境感知研究现状简述PDF

机器人环境感知研究现状简述正在上传…重新上传取消​https://mp.weixin.qq.com/s/Zd0IUibn5_Tsah3CFtjYrg如果喜欢的话，可以关注同名微信公众号“混沌无形”，阅读更多有趣好文！