一种更实用的机器人定位误差测量方法

通过测量不同相机视角下位置估计之间的位移，可以增强导航所需的局部一致性。

会议：IROS 2021

相关出版物：重叠位移误差：您的SLAM位姿是否具有地图一致性？

同步定位与建图(SLAM)是自主机器人的核心能力之一，拥有丰富的文献支持。“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”意味着机器人必须同时完成这两项任务。

基于SLAM，机器人可以在环境中规划轨迹。但没有任何SLAM算法是完美的。为了确保可行的轨迹规划，定位需要达到多高的精度？

在我们将于今年智能机器人与系统国际会议(IROS)上发表的论文中，我们认为现有的SLAM误差度量指标并不适合导航问题。特别是，最小化全局误差可能会留下局部误差的可能性，这使得轨迹规划变得极其困难。

相反，我们提出了一个名为重叠位移误差(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，我们相信这将实现更稳健的轨迹规划。

局部思考，全局行动

下图展示了为什么传统的SLAM指标对于导航目的并不理想。该图显示了对同一传感器数据应用两种不同SLAM算法产生的大型双翼建筑的两个不同地图。

在左侧，我们展示了一个全局精度很高的SLAM算法；其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，但算法对门口位置产生了两个不同的估计（红色和蓝色），使得机器人认为开口过窄无法通过。如果机器人想从一个翼移动到另一个翼，它将难以规划通过该开口的路径。

在右侧，我们看到另一个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建图误差；从左翼到右翼的误差达100厘米。然而，该SLAM算法在局部保持自我一致，这意味着尽管地图存在扭曲，但仍然完全可导航。

两个由不同SLAM算法对同一机器人遍历建筑的传感器数据生成的地图。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。

这里要说明的是，绝对误差并不是自主导航最相关的度量标准。重要的是，每当机器人通过同一区域时，它应保持与自身知识的一致性。如果保持一致，它就不会删除墙壁（或创建虚假开口），也不会堆积虚假墙壁（堵塞走廊）。自我一致性正是我们提出的度量指标的目标。

考虑一个物理障碍物（下图中蓝色圆圈），机器人在两个不同时间T0（芥末色视角）和T1（绿色视角）看到它。SLAM算法两次映射这个障碍物（芥末色圆圈和绿色圆圈），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测量从芥末色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观察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角计算。如果我们在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。

给定机器人轨迹的真实值（左）和SLAM算法估计的轨迹（中），ODE可以测量叠加在SLAM地图网格每个单元格上虚拟物体（黑点）的位移。

在下图中，我们将ODE与三个传统指标进行比较：绝对轨迹误差(ATE)和两种相对轨迹误差(RTE)，线性（米）和角度（度）。左侧显示真实轨迹（绿线）、SLAM算法估计的轨迹（白线）以及热图，该热图表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误差。估计轨迹上的数字表示时间步长。

右侧显示不同定位误差指标的图表。请注意，ODE专注于地图一致性，在轨迹估计的不连续处（第100步）和轨迹不完全自相交的区域（第40步和第220步）有明显的峰值。然而，使用其他指标时，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。

研究领域

机器人技术

标签

同时定位与建图(SLAM)