平台热线
机器人在未知环境中从一个未知位置开始移动,在移动过程中根据位置估计和传感器数据进行自身定位,同时逐步完善和构建完整地图,这就是一个SLAM的过程。在SLAM中,机器人利用自身携带的传感器识别未知环境中的特征标志,然后根据机器人与特征标志之间的相对位置和里程计的读数估计机器人和特征标志的全局坐标。这种在线的定位与地图创建需要保持机器人与特征标志之间的详细信息。近几年来,SLAM的研究取得了很大的进展,并已应用于各种不同的环境,如:机器人、AR、VR、无人机、自动驾驶等。
SLAM的关键性问题
1.地图的表示方式
目前,常见的地图表示方法大致可分为三类:栅格表示、几何信息表示和拓扑图表示,每种方法都有自己的优缺点。
(1)栅格地图
栅格地图即是将整个环境分为若干相同大小的栅格,对于每个栅格各指出其中是否存在障碍物。
优点:
创建和维护容易,尽量的保留了整个环境的各种信息;
借助于该地图,可以方便地进行自定位和路径规划;
缺点:
当栅格数量增大时(在大规模环境或对环境划分比较详细时),对地图的维护行为将变得困难,同时定位过程中搜索空间很大,如果没有较好的简化算法,实现实时应用比较困难。
(2)几何信息地图
几何信息地图表示法是指机器人收集对环境的感知信息,从中提取更为抽象的几何特征,例如线段或曲线,使用这些几何信息描述环境。
优点:
更为紧凑,且便于位置估计和目标识别;
几何方法利用卡尔曼滤波在局部区域内可获得较高精度,且计算量小;
缺点:
几何信息的提取需要对感知信息作额外处理,且需要一定数量的感知数据才能得到结果;
在广域环境中难以维持***的坐标信息;
(3)拓扑地图
拓扑地图抽象度高,特别在环境大而简单时。这种方法将环境表示为一张拓扑意义中的图(graph),图中的节点对应于环境中的一个特征状态、地点。如果节点间存在直接连接的路径则相当于图中连接节点的弧。
优点:
有利于进一步的路径和任务规划;
存储和搜索空间都比较小,计算效率高;
可以使用很多现有成熟、高效的搜索和推理算法;
缺点:
使用时要建立在对拓扑节点的识别匹配基础上的,如当环境中存在两个很相似的地方时,拓扑图方法将很难确定这是否为同一点;
2.不确定信息的描述
在环境完全未知的情况下,机器人想要建图并行走,必须借助其他传感器得到信息,如里程计、声纳、激光测距仪、视觉等。由于传感器自身的限制,感知信息存在不同程度的不确定性,例如激光测距仪的不确定性主要来自距离的测量误差以及反光镜旋转和激光散射引起的测量角误差。
如何实现机器人在未知环境中的定位、建图及移动？
如上图所示,感知信息的不确定性必然导致所构建的环境模型也不可能是完全***的,同样,当依靠模型和感知进行决策时也带有不确定性,即不确定性具有传递性。
对不确定性进行度量的方法主要有概率度量、信任度量、可能性度量、模糊度量和证据理论等。目前,在AMR地图构建中使用较多的是概率度量和模糊度量。概率度量主要存在两种形式:
(1)以均值、方差和协方差等概率特征来描述不确定信息。这种度量方法的优点是均值等概率特征具有明确的几何意义,缺点是概率特征的离散计算公式还没有确定的形式;
(2)以概率模型来描述不确定信息,主要采用Bayes法则与Markov假设。这种度量方法的优点是以随机概率模型描述机器人的位姿和环境信息,鲁棒性非常好,缺点是概率模型的计算量非常大而且必须事先知道模型的先验概率,给实际应用造成了困难。
3.定位与环境特征提取
移动机器人自定位与环境建模问题是紧密相关的。环境模型的准确性依赖于定位精度,而定位的实现又离不开环境模型。在未知环境中,机器人没有什么参照物,只能依靠自己并不十分准确的传感器来获取外界信息,如同一个盲人在一个陌生环境中摸索的情况。这种情况下,定位是比较困难的。有地图的定位和有定位的地图创建都是容易解决的,但无地图的定位和未解决定位的地图创建如同"鸡--蛋"问题,无从下手。
已有的研究中对这类问题的解决方法可分为两类:
(1)利用自身携带的多种内部传感器(包括里程仪、罗盘、加速度计等),通过多种传感信息的融合减少定位的误差,使用的融合算法多为基于卡尔曼滤波的方法。这类方法由于没有参考外部信息,在长时间的漫游后误差的积累会比较大。
(2)在依靠内部传感器估计自身运动的同时,使用外部传感器(如激光测距仪、视觉等)感知环境,对获得的信息进行分析提取环境特征并保存,在下一步通过对环境特征的比较对自身位置进行校正。但这种方法依赖于能够取得环境特征。
环境特征提取的方法有:
1)．Hough transform是一类基于灰度图检测直线和其他曲线的方法。该方法需要一簇能被搜索的预先准备的特定曲线,并根据显示的灰度图中一簇曲线产生曲线参数。
2)．Clustering分析是一种数据探测工具,对于未分类样例是有效的,同时,它的目标就是把所针对对象分组成自然类别或基于相似性或距离的簇类。在被提取对象类别未知的情况中,簇技术是一类比HoughTransform更有效的技术。簇类应是以“凝聚”为中心,而不是支离破碎的、不相交的。而环境特征有时是很难提取出的,例如:环境特征不够明显时或者传感器信息比较少,难以从一次感知信息中获得环境特征。
4.数据关联
数据关联是对两个特征标志进行匹配,确定它们是否对应环境中的同一物体。SLAM中的数据关联主要需要完成三个任务:
(1)新特征标志的检测;
(2)特征标志的匹配;
(3)地图之间的匹配;
虽然在目标跟踪、传感融合等领域,数据关联已经得到较好的解决,但是这些方法的计算量大,不能满足SLAM的实时性要求。实现m个标志与拥有n个标志的地图之间的数据关联的复杂度与m之间呈指数关系,假设每个观测到的标志i有 个可能的匹配,那么对于m个标志需要在指数空间 = 中搜索正确的匹配。数据关联的搜索空间与环境的复杂程度以及机器人的定位误差有关,环境的复杂程度的增加会使m增大,而误差的增大会使Ni 增大。
5.累积误差
SLAM中的误差主要来自三个方面:
(1) 观测误差;
(2) 里程计的误差;
(3) 错误的数据关联带来的误差;
当机器人在已知地图的环境中进行定位时,机器人可以通过观测位置已知的特征标志对里程计的误差进行补偿,每一次观测使机器人的位置误差趋向于观测误差与特征标志的位置误差之和。
然而在SLAM中,由于机器人的位置和环境中的特征标志的位置都是未知的,观测信息不能有效纠正里程计的误差,机器人的位置误差随着机器人的运动距离而增大。而机器人的位置误差的增大将导致错误的数据关联,从而增大特征标志的位置误差:反过来,特征标志的误差又将增大机器人的位置误差。因此,机器人的位置误差与特征标志的位置误差密切相关。它们之间的相互影响使机器人和特征标志的位置估计产生累计误差,难以保证地图的一致性。
了解更多 欧姆龙机器人