机器人定位误差衡量新指标：重叠位移误差

一种更有用的衡量机器人定位误差的方法测量从不同相机视角得出的位置估计之间的位移有助于强化对导航至关重要的局部一致性。作者Jianbo Ye, Christian Mostegel2021年9月29日3分钟阅读同步定位与地图构建SLAM是自主机器人的核心能力之一其背后有着丰富的研究文献。“地图构建”意味着构建机器人所处环境的地图“定位”意味着在地图上识别机器人的位置“同步”意味着机器人必须同时完成这两项任务。在SLAM的基础上机器人可以规划其在环境中的轨迹。但没有任何SLAM算法是完美的。定位需要精确到什么程度才能确保轨迹规划可行在今年的智能机器人与系统国际会议IROS上我们发表了一篇论文认为现有的衡量SLAM误差的指标并不适合导航问题。具体而言最小化全局误差可能会留下局部误差从而使得轨迹规划变得极其困难。相反我们提出了一种新的指标称为重叠位移误差ODE。ODE有时可能会产生全局误差略大的解但它强制了更大的局部一致性我们认为这将使机器人能够实现稳健的轨迹规划。着眼局部影响全局下面的例子说明了为什么传统的SLAM指标对于导航目的来说并不理想。该图显示了一个大型建筑有两个翼楼的两个不同地图这两个地图是通过对相同的传感器数据应用两种不同的SLAM算法生成的。左图显示了一个全局非常精确的SLAM算法其估计的左翼边缘到右翼边缘的距离误差仅为1厘米。然而在左上角算法出现了混淆。其绝对轨迹误差ATE仍然非常低但该算法对门洞位置的两种不同估计红色和蓝色使机器人认为该通道狭窄到无法通过。因此如果机器人想从一个翼楼移动到另一个翼楼它在规划穿过该通道的路径时将会遇到困难。右图显示了另一种SLAM算法的结果。机器人对其轨迹的估计明显漂移并且该算法具有巨大的绝对地图构建误差从左翼到右翼的误差为100厘米。然而该SLAM算法似乎自身保持局部一致这意味着尽管地图发生了扭曲但它仍然是完全可导航的。[此处为配图两张地图一张全局精确但局部不一致另一张全局有偏差但局部一致]这里要说明的观点是对于自主导航而言绝对误差并不是最相关的衡量标准。重要的是每当机器人经过同一区域时其自身知识始终保持一致。如果是一致的那么它就不会删除墙体或创建虚假的开口也不会构建虚假的墙体从而阻塞走廊。自洽性正是我们所提出的指标想要达到的目标。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点T0 时刻的芥末色视角和 T1 时刻的绿色视角看到它。一个SLAM算法会将该障碍物映射两次芥末色圆圈和绿色圆圈但由于定位不准确这两个映射出来的圆圈并未如预期那样重叠。ODE 就是用来衡量从芥末色圆圈到绿色圆圈的位移误差红色箭头。[此处为配图展示如何为同一个机器人两次观察到的每个障碍物计算位移误差]对于每一对观察到同一感测区域的相机视角都可以计算出这种位移误差。如果我们在地图上叠加一个网格则可以通过在网格的每个单元格上放置一个虚拟障碍物来聚合误差。[此处为配图给定机器人轨迹的真实值左图和SLAM算法估计的轨迹中图ODE可以测量放置在地图网格每个单元格上的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了比较绝对轨迹误差ATE以及两种类型的相对轨迹误差RTE分别以线性米和角度度衡量。左图显示了一条真实轨迹绿线、SLAM算法估计的轨迹白线以及一个热力图该热力图表示如果使用一个2米范围的360°测距传感器不准确的定位会给地图引入的误差。估计轨迹上的数字表示时间步长。右图显示了不同定位误差指标的曲线图。注意ODE 关注地图一致性在轨迹估计的不连续处第100步和轨迹自身不完全相交的区域第40步和第220步有明显的峰值。而使用其他指标时局部不一致性则更难推断。[此处为配图展示不同误差指标的对比ODE清晰反映了局部不一致性]ODE 衡量了定位的地图一致性这是传统指标所不能提供的。会议IROS 2021相关出版物重叠位移误差您的SLAM位姿是地图一致的吗关于作者Jianbo YeJianbo Ye 是某机构的高级应用科学家。Christian MostegelChristian Mostegel 是某机构的高级应用科学家。FINISHED更多精彩内容 请关注我的个人公众号 公众号办公AI智能小助手或者 我的个人博客 https://blog.qife122.com/对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号网络安全技术点滴分享