机器人定位误差测量新方法

通过测量不同相机视角得出的位置估计之间的位移，可以增强导航所需的局部一致性。

同步定位与建图（SLAM）是自主机器人的核心能力之一，拥有丰富的文献基础。“建图”指构建机器人环境地图，“定位”指在地图上识别机器人位置，“同步”表示机器人必须同时执行两者。

基于SLAM，机器人可以规划环境中的轨迹。但没有任何SLAM算法是完美的。定位需要多准确才能确保可行的轨迹规划？在今年的国际智能机器人与系统会议（IROS）上提交的一篇论文中，认为现有测量SLAM误差的指标不太适用于导航问题。特别是，最小化全局误差可能会留下局部误差，使轨迹规划变得极其困难。

相反，提出了一种称为重叠位移误差（ODE）的新指标。ODE有时可能导致全局度量误差稍大的解决方案，但它增强了局部一致性，这将实现稳健的轨迹规划。

局部思考，全局行动

下图示例说明了为什么传统的SLAM指标不理想用于导航目的。该图显示了一个大型双翼建筑的两个不同地图，由两种不同的SLAM算法应用于相同的传感器数据生成。

在左侧，显示了一个全局非常准确的SLAM算法；其从左翼边缘到右翼边缘的距离估计误差仅为1厘米。然而，在左上角它出现了混淆。绝对轨迹误差（ATE）仍然很低，但算法对门口位置（红色和蓝色）产生了两个不同的估计，使机器人认为开口过窄无法通过。因此，如果机器人想从一个翼移动到另一个翼，它将难以规划通过开口的路径。

在右侧，看到另一个SLAM算法的结果。机器人的轨迹估计明显漂移，算法具有巨大的绝对映射误差；从左翼到右翼的误差为100厘米。然而，SLAM算法似乎局部自一致，这意味着尽管地图倾斜，但仍然完全可导航。

两幅大型双翼建筑地图，由两种不同的SLAM算法应用于机器人遍历建筑的相同传感器数据生成。蓝色和红色显示算法对墙壁位置的估计，黑色显示对机器人轨迹的估计。

这里的重点是，绝对误差不是自主导航最相关的度量。重要的是，每当机器人通过同一区域时，它保持与自身知识一致。如果一致，它就不会删除墙壁（或创建虚假开口），也不会建立虚假墙壁（阻塞走廊）。自一致性正是所提出指标的目标。

考虑一个物理障碍物（下图中的蓝色圆圈），机器人在两个不同时间T0（芥末视图）和T1（绿色视图）看到。SLAM算法两次映射这个障碍物（芥末圆圈和绿色圆圈），但由于定位不准确，两个映射的圆圈没有按应有的方式重叠。ODE测量从芥末圆圈到绿色圆圈的位移误差（红色箭头）。

该图说明了如何为同一机器人两次看到的每个障碍物计算位移误差。

这种位移误差可以为同一感知区域的每对相机视图计算。如果在SLAM地图上叠加网格，可以通过在网格的每个单元格上放置虚拟障碍物来聚合误差。

给定机器人轨迹的地面真实值（左）和SLAM算法估计的轨迹（中），ODE可以测量覆盖SLAM地图网格每个单元格上虚拟对象（黑点）的位移。

在下图中，将ODE与三种传统指标进行比较：绝对轨迹误差（ATE）和两种类型的相对轨迹误差（RTE），线性（米）和角度（度）。在左侧，显示地面真实轨迹（绿线）、SLAM算法估计的轨迹（白线）和热图，指示如果使用具有两米范围的360°距离传感器，不准确定位将引入地图的错误。估计轨迹上的数字表示时间步长。

在右侧，显示不同定位误差指标的图表。注意ODE专注于地图一致性，在轨迹估计的不连续性（第100步）和轨迹不完全相交的区域（第40和220步）有清晰的峰值。然而，使用其他指标，局部不一致性更难推断。

ODE测量定位的地图一致性，这是传统指标无法提供的。*