摘要：SLAM技术相关问题是考虑自主机器人在未知环境，没有人协助部署和操作时的导航需要。最基本的一种导航技术是由人勘查环境、机器人平台制作地图。其他更复杂的方案，比如在RFID的协调下，多人和多机器人的轨迹制图，还有方案则使用SLAM帮助机器人认识环境，提高设备的可用性。
在此我们探讨人际交互（HRI）单眼SLAM问题，借助传感器技术，和不同的SLAM技术。
关键词：SLAM，导航，自主机器人，人机交互
一、SLAM概述
SLAM使用的传感器遵循几个标准，从理论上讲，最有意义的分类是本体感和外部感。本体感传感器测量机器人系统内部的数值，如关节的姿势、剩余电量、内部温度等。至于外部感，测量的是环境数据，通常是传感器本身的响应。
测距仪是一种外部传感器，测量它们和环境中某点的距离，使用主动方式测量距离，发送声音、光、无线电波，监听回波，就是声纳、激光测距仪和雷达。这些设备在机器人身上做扫描，同时或在极短的时间间隔内执行一组测量。扫描完成后，每个子测量与承载数据对比，得到其中的关联。
激光测距仪有不同的工作原理，飞行时间测量、光干涉、或相移方法。由于激光比其他种类波的聚焦性能更好，激光测距的精度也最高。
普通单眼EKF-SLAM程序基于检测可区别的兴趣点，将它们引入滤波器建立的地图，通过帧序列跟踪它们，估计它们的姿态和传感器测距。对每个地标周围的图像块，概括出它的“外形”，存储下来用于识别，地标本身通常用统一逆深度参数化建模。
预测过程基于概率过滤，对机器人移动和传感器位置预测，即使在单眼SLAM算法中，也可以利用任何传感器数据。数据缺乏时，移动预测符合高斯分布。这样使用一个定速移动模型，加上角度脉冲和线性加速模型作为白噪声。地图预测就相当简单：地标或地图兴趣点作为环境的一部分，假设它们的位置和姿态不会变化。
预测完成后，常规的EKF-SLAM将预测和传感器数据进行比较产生直接观察模型。这一步需要解决数据关联问题，将预测与传感器真实测量匹配，计算提取每帧中所有可能的兴趣点和预测点做匹配，处理基于随机移动预测的不确定性，用主动搜索战略应对这个问题。使用直接观察模型的像素空间预测的地图特征，对每一个像素搜索相似的点（根据存储的块），这是ZNCC（零平均归一化交叉相关）算法。理想情况下，每个预测特征会匹配同一个特征在下一帧中的像素。这个过程失效的因素有：视觉传感器、环境的几何形状、活动主体的存在，以及别的一些因素。所以这些匹配点要经过数据关联验证算法检测。
一旦在像素坐标中发现地标预测和图像空间的关联配对，就可以使用普通EKF算法进行计算。
虽然用EKF对地图迭代估算很直接，还是存在着给定单眼SLAM很多特征定义的关键过程。SLAM基于空间分布、图像中的位置，当使用常规点检测，图像中会有几十甚至几百个点的频度，大多数会被SLAM忽略。不过即时方式中没有深度信息也还是可以的。因此，这种情况有两个策略：无延迟方式试着“猜测”深度初始值，延迟方式在一段时间内追踪一个特征，直到得到理想的深度估算，此时才进行初始化处理。
这两种策略定义了很多SLAM过程特征。无延迟方式看到地标试着用使用特征点，这些点快速引入过滤器，晚些才能验证，或者叫被拒绝数据关联验证了。另一方面，延迟方式对那些点使用之前先跟踪和估算，因此使用的地标通常更稳定可信。
延迟逆深度（DI-D）单眼SLAM属于延迟特征初始化技术，地标第一次被观察到与允许估算视差初始化之间的延迟，实现测距估算，通过三角法测算出地标的深度。
二、实验和结果
引入单眼传感器可以提供非恒定双路信息，证明是有用的，前文讨论过DI-D的一个弱点是需要通过合成特性初始化标尺，而标尺会移动。这样系统需要更多自治，利用隐含的强制实施的人造地标的人机界面。此外，因为并不限于人造地标，度量标准初始化会引入更多特性，这会平滑减少漂移。
上图显示两种取样跟踪，橙色线条和蓝色线条显示有和没有非恒定DI-D特征初始化方法的结果。左边是一个院子，有一些座椅和树，轨迹19米，两个90度转弯，属于有丰富地标的半结构化环境。右面是10米长的直线死胡同，两边是均质纹理表面的墙，没什么显著标记。对单眼SLAM这两种场景都有足够多的不利因素：单个移动传感器的时差不能发现视场中心区域、快速的定向和转向速度、表面/环境没有强烈的视觉特征、自然光照和阴影，等等。
引入伪双通道特征初始化可以马上实现距离估算，不会因等等数据处理造成延迟。对每种情况都非常有效，例如，借助不确定预测模型和特征选择程序，序列间甚至同一个信号序列SLAM中启发式算法的使用。当延迟方法用于特征初始化，不需要花费计算能力用于估测地标，也不需要引入EKF地图。
三、结论
适当的方法使系统具备更多弹性，特别是在场景快速变化比如转动的时候，上图中，延迟单眼SLAM因为环境变化，只有很少时间用于特征初始化，特征初始化的次数减少，导致估算精度降低，最后，累积误差大到不能修正，EKF无法收敛，估算结果不能使用。左图显示了传统延迟SLAM算法如何发生明显的降级，此外，右图显示因为视差减少，单眼模式测距仪工作非常困难。这种现象，由于EKF对不确定快速变化的无能为力，不仅受行进距离影响，也在方向判断上产生妥协。
真实数据测试中，DI-D的主要弱点是需要校正处理，而校正处理依赖本地可靠技术处理，得益于通用地图扩展和循环近似技术已不存在。传感器之间位置估算模型有固定的不确定性，很难减少模型的运动积累，即使有基于视差的方案，不确定测量还是低于纯单眼测量。
参考文献：
【1】Durrant-Whyte H，Bailey T. Simultaneous localization and mapping：part I. IEEE Robot Autom Mag. 2006；13（2）：99–110.
【2】Diosi A，Taylor G，Kleeman L. Interactive SLAM using laser and advanced sonar. In：Robotics and Automation，ICRA 2005 Proceedings of the IEEE International Conference.
论文作者:王均
论文发表刊物:《电力设备》2017年第23期
论文发表时间:2017/12/6
标签：单眼论文; 传感器论文; 地标论文; 特征论文; 初始化论文; 测量论文; 环境论文; 《电力设备》2017年第23期论文;