论文阅读：《基于图优化的同时定位与地图创建综述》笔记

妖狐艹你老母 2022-12-20 03:15 57阅读 0赞

*  图优化的基本思想： 即通过保留所有的观测数据帧以及帧间的空间约束关系,并将约束看作是随机观测,然后采用最大似然方法估计机器人的位姿
 *  基于滤波器的方法存在线性化及更新效率等问题,这使得它难以应用于大规模环境的地图创建
 *  基于平滑的方法通过所有的观测信息估计机器人完整的运动轨迹及地图,因而也被称为完全SLAM 方法
 *  主要侧重点： 帧间配准、环形闭合检测以及图优化
 *  顺序配准主要考虑连续数据帧间的匹配及相对姿态估计问题
 *  环形闭合检测则主要根据观测数据判断机器人是否处在之前已访问区域
 *  顺序配准与环形闭合检测都是根据观测信息建立图节点间的约束,即完成图的构建.两者一起被称为 SLAM 前端
 *  图优化部分一般不直接处理观测数据,而只是对 SLAM 前端构造的图进行优化.因而,图优化通常又被称为 SLAM 后端(SLAM back-end),SLAM 前端相区分
 *  用于校准的帧通常被称为模型帧或参考帧,被校准的帧通常被称为场景帧
 *  帧间配准除了可以作连续运动估计外,还可以用于计算空间上相邻而时间上不连续的两帧数据间的相对变换

### 空间点配准 ###

迭代最近点是空间点配准的经典方法。这里的空间点包括二维或三维欧式空间中的点集。

*  K-D 树通过树型结构来描述空间点的分布,可被用来加速最近邻点的查找
 *  点到点间的距离也并非衡量当前配准好坏程度的唯一准则.如,Yang 等 \[37\] 采用点到面(point-to-plane)的距离减少迭代的次数,加快了收敛速度; Segal 等 \[41\] 提出面到面(plane-to-plane)距离的解决方案,提高了配准的精度及鲁棒性,代表当前发展的高水准
 *  迭代最近点方法一个公认的缺点是对初始值有较大的依赖性
 *  迭代最近点通常用于场景与模型相差不大或可以提供较为可靠初始值的环境中,主要担当配准细化的任务 \[42\] .迭代最近点还有很多细致的研究,包括 Turk 等 \[43\] 通过均匀采样进行控制点选取以减少计算量, Zhang 等 \[38\] 采用设定阈值的方法对错误匹配进行剔除, Godin 等 \[44\] 根据点间距离为对应点赋予不同的权重以平衡对应点的重要性,Fitzgibbon 等 \[45\] 直接采用非线性优化方法对问题进行求解,并通过实验验证其与基于解析求解的方法具有相当甚至更好的效果等。

### 图像配准 ###

*  图像配准是根据拍摄的图像信息对摄像机的运动状态进行估计,这一技术在计算机视觉领域又常被称为视觉里程计
 *  基于特征的图像配准过程一般包括特征检测、特征匹配以及运动估计 3 个步骤

#### 特征检测 ####

*  对图像进行特征提取,应着重考虑特征的 5 大特性,即重现性、准确性、显著性、鲁棒性以及高效性

### 图优化 ###

### 基于松弛的优化方法 ###

*  Duckett 等提出采用 Gauss-Seidel 松弛方法来求解 SLAM 中的优化问题.其基本思想是“依次选取每一个节点,并将其移动到‘它的邻节点认为它该处在的位置’” \[81\] ,换句话说,即根据其相邻节点的位置及它们之间的约束关系重新计算并更新节点的位置信息,并且每次迭代都遍历所有节点
 *  基于非线性最小二乘的求解方法 \[12,14,82\] ,不但充分利用了 SLAM 中的稀疏结构,也吸取了稀疏线性代数方面所取得的重要研究成果.这使得问题的求解效率大大提高,能处理问题的规模也大为提升 \[82\] ,代表当前该领域的高水准.

### 展望 ###

*  终生地图创建考虑直接将机器人长期运行于未知环境当中,其需要应对环境的变化,并持续地对地图进行更新.对短期的地图创建,基于图优化的 SLAM 方法已被证实非常有效.一些学者对终生地图创建环境下,基于图优化方法的扩展性问题进行了研究

终于看完了～～～