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 Mostegel

2021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 Ye
Jianbo Ye 是某机构的高级应用科学家。

Christian Mostegel
Christian 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）