文摘

数据关联是在大满贯社区的一个关键问题。几个数据协会的失败可能会导致大满贯的结果是不同的。数据关联性能在大满贯的影响数据关联方法和传感器信息。文中介绍了两项措施处理传感器信息来提高数据协会在大满贯的表现。第一,删除策略有限的特性,而不是所有匹配特性,用于观察更新。这些特性选择根据变量的信息。这个删除策略用于降低错误的匹配特性的影响。其他措施,特别排斥机制旨在反对怀疑观测。当机器人位姿显然不同于预测更新的机器人位姿,此刻所有观察到的传感器信息就会被丢弃。拒绝机制旨在消除意外传感器信息。 Experimental results indicate that the introduced measures perform well in improving the stability of data association in SLAM. These measures are of extraordinary value for real SLAM applications.

1。介绍

同时定位和地图构建(大满贯)问题问有可能自主车开始在一个未知的位置在一个未知的环境中,然后逐步构建地图的环境同时使用这张地图计算绝对车辆位置(1]。大满贯的解决方案被视为移动机器人的核心社区在过去的二十年中,因为它可以提供方法使机器人真正的自治。

大满贯数据协会经常提到“登记。“这意味着,当一个观察从传感器是用来估计一个机器人的运动或更新现有的数据地图,它必须清楚观察对应于现有数据在地图上。大满贯数据协会吸引了世界各地的许多研究者的关注。一些数据协会在过去十年中已经提出的解决方案。至于不同的传感器,数据关联方法在某种程度上有所不同。激光测距仪和一个相机是两个大满贯中常用的传感器。在激光测距仪,大满贯数据协会可以分为两类:基于特征和scan-based方法。至于相机传感器,大满贯数据协会可分为三类:基于特征的方法,外貌的方法和混合方法。

当基于功能特性的方法而言,一些著名的数据关联算法在大满贯包括神经网络(最近邻)[1,2),JCBB(联合兼容分支界限法)3),MHT(多假设跟踪)4),MDA(多维分配)5),DJNN(动态联合最近邻)(6],HOHCT(最高阶假设兼容性测试)7]。此外,浆果等。8,9)提出一个系统基于直方图特性稳定的长期的大满贯(FSH)模型的启发人类记忆模型。拿着相机或其他视觉传感器,Scaramuzza [10单一特征对应用于运动估计。他提供了1点RANSAC和直方图投票删除离群值。这些数据关联方法旨在提高数据关联过程的性能。

scan-based方法是另一个重要的数据关联方法在大满贯。它将相邻扫描与ICP (11)或ICP的变体(12,13]。基于功能特性的方法可以作为治疗scan-based方法,当一个人打算获得地图丰富和准确的信息。

除了激光测距仪和光学相机,其他传感器也可以用于大满贯。例如,Magnabosco和Breckon14)使用一个热传感器解决SLAM问题。

与上述研究结果看来,数据协会在大满贯是圆满地解决了。然而,解决SLAM问题的经验表明,少量的数据关联失败可能导致SLAM算法发散的。和数据关联算法不能保证完整的准确性和稳定性。原因是大满贯是对于未知的环境,这是严重的不确定性。

上面的数据关联方法是有用的在数据关联过程。但大满贯的数据关联性能影响的数据关联方法和传感器信息。两项措施处理传感器信息提出了提高数据协会在大满贯的表现。的有限的功能,一个是删除策略应用在观测更新步骤。另一个是拒绝机制,应用后数据协会的一步。简而言之,这里介绍两项措施而不是数据关联过程,分别观察更新和后验的前一步一步的数据关联过程。删除策略适用于基于数据关联方法,而拒绝机制兼容一般大满贯数据关联算法,基于特征的方法和scan-based等方法。与这两个措施,观察从传感器和环境不确定性大大降低。

2。大满贯的过程

大满贯包括本地化和映射。本地化包括时间更新(预测)和观测更新。根据不同类型的映射的映射。基于SLAM方法是强调。基于功能的大满贯,地图是由许多功能。特征的数量很大时,计算负担是非常困难的。为了提高计算效率,“FastSLAM”[15采用框架。大满贯的详细过程如下。

2.1。预测

机器人位姿预测逐步在每次实例。估计机器人的构成包括其均值和协方差。机器人位姿的预测意味着时间是制定 在哪里和代表估计意味着时间在时间和控制输入。

预测协方差的时间是制定 在哪里的雅可比矩阵评估在评估。是预测噪声。

2.2。特征提取

基于SLAM方法需要一个特征提取步骤之前数据关联。是非常重要的提取和选择可靠的传感器信息中包含的特性。然后,数据关联方法如神经网络可以用来将提取的特征与地图的现有功能。激光测距仪是一个正常的传感器用于收集数据在大满贯。是非常重要的提取和选择正确的功能包含在激光扫描。坐标为每个特性值是一个基本特征。除了这个,一个特性的形状和大小可以被定义。

2.3。数据协会

DJNN [6]本文采用匹配提取的特征与现有功能的地图。DJNN是神经网络的变体(最近邻)。神经网络(1,2有两个关键的想法。一个是确认规则制定(3)。它是用作测试的标准兼容性之间观察到的特性和现有的功能。另一种是选择最近邻的标准。这意味着观察到的特性和选择距离最短Mahalanobis现有功能部件的匹配特征的地图。

的之间的距离特性,观察到jth现有功能描述如下: 在哪里和分别代表之间的偏差和方差特性,观察到现有的功能。

假设偏差是一个高斯分布,满足分布。应该满足以下公式: 在哪里。 正常= 2。是信心值,通常设置为0.95。

如果有几个现有功能兼容公式(4一般最小的距离),特征是选为观察到的特性的匹配特性。常规的距离是制定如下方程:

“最近邻”(NN)是一种简单而适用的数据关联算法在大满贯。然而,神经网络的准确性易受环境。在DJNN [6),介绍了两种改进,增强其鲁棒性。一个是消除干扰在多个匹配特性相关的观察。另一种是动态过滤杂散特性连续协会的帮助下结果。

DJNN真正的应用程序是可行的。然而,它不能保证完整的可靠性。在本文中,我们设置一些约束条件在实际应用提高DJNN的鲁棒性。删除策略引入数据协会步骤,旨在降低错误的匹配特性的影响。当超过三个特性相匹配的数据关联过程中,只有三个特性被用来更新机器人位姿和地图。这三个特性选择根据信息变量,这是制定如下方程: 在哪里变量的信息吗th特性。代表的测量状态th特性时。数据关联结果在时间吗。和代表地图功能传感器的测量范围内。当th特性的传感器的测量范围,分配值“0。“如果th特性是在传感器的测量范围,分配中“1”的值的情况下th特性是观察到的传感器价值分配的“−1”吗传感器特性是没有注意到。

信息变量集数据协会所有数据帧的结果。它扮演的角色动态表记录。它记录了数据关联结果不断。的帮助下信息变量,数据关联过程成为一个动态的、持续的过程,而不是一个静态的和间歇过程。变量的信息,pseudofeatures大幅度过滤。协会的计算效率和精度也有所提高。

三个观察特性采用更新的机器人位姿估计。这个删除策略进一步过滤不可靠的特性。它有助于提高整个撞击过程的鲁棒性和稳定性。实验部分4显示三个特征,而不是超过三个特性,有足够的估计精度的机器人位姿。

2.4。提出了更新

机器人位姿的均值和协方差用粒子滤波估计。更新每个粒子的机器人位姿估计使用一个扩展卡尔曼滤波器(EKF) (16]。

2.5。地图更新

假设功能在地图上是相互独立的,地图可以制定 在哪里代表了th特性。代表的数量特征的地图。和地图是考虑到特点如下: 在哪里和均值和协方差的吗,分别。他们递归更新与扩展卡尔曼滤波(EKF) (16]。

2.6。评价

数据关联结果应该评估一些约束。如果数据关联结果不兼容约束,结果被认为是不可靠的。数据关联结果应该纠正或丢弃。

我们评估数据关联结果与排斥机制,这是下一章中描述。拒绝系数计算(10)。如果大于阈值、数据关联的结果是拒绝。然后,两个和被丢弃。大满贯过程暂时中断。据估计,和如下: 和预测机器人位姿被认为是机器人位姿估计在时间。这意味着当发现任何故障传感器数据,获得信息应该丢弃和机器人位姿估计暂时与传感器的下一帧的观察。

后计算(9),预测步骤处理。然后,预测时间延长。如果预测步骤观察前可以完成吗处理,带来更新和地图更新时间吗将不会受到影响。这需要大满贯的计算效率解决方案是足够的。

3所示。两个数据协会在大满贯的加强措施

首先,只有有限数量的匹配特性用于更新。如果许多特性相匹配的数据协会一步,三个功能是接受更新。选择的功能应该有很高的机密性。我们选择观察功能根据变量的信息,这是制定(6)。信息变量的值为每个特性是一个整数。一个特性的信息变量的值较大,和功能的机密性更好。这意味着选择的三个特征应该是三大特征信息的变量的值。

另一方面,特别排斥机制旨在摆脱嫌疑的观察。一些获得观察可能是错误的没有明确的原因。当观察到的信息和数据关联结果不符合拒绝机制,他们扔掉避免潜在的错误。然而,当拒绝机制不断被触发,我们用不同的方法处理测量数据。当拒绝第一次触发机制,观察被认为是一种随机误差。和观察到的数据就会被丢弃。然而,当拒绝机制触发连续第二次直接观测数据不应该被丢弃。观察被认为是一种系统误差。有两个原因连续触发。原因之一是大满贯系统是错误的。 If this is the case, the SLAM system should be checked and adjusted. The other reason is that some measured data is flawed. In general, measured data of the inertial sensor is of low confidentiality, the reason being that the inertial sensor used for prediction is normally of low precision. Thus, the laser range finder or some other high precision sensor is used to correct the prediction error in the update step.

机器人位姿参数包括位置坐标和方位。轴承误差比坐标错误更严重的长期的大满贯。因此,我们定义机器人轴承错误拒绝系数,这是制定如下方程: 在哪里是拒绝系数,机器人的更新轴承在时间吗,机器人的预测轴承在时间吗。应小于阈值,将3°。拒绝的阈值系数确定传感器的精度和应用环境。详细的原因解释的部分4。

位置误差来自轴承误差可以制定如下: 在哪里和分别代表了轴承误差和位置误差。是线性位移。大满贯过程中,机器人运动。当机器人的移动,在(11)相应增加。因此,逐渐增加,如果不纠正。

4所示。实验

4.1。实验模型

智能车辆,如图1的ACFR(澳大利亚中心领域机器人)17)作为实验移动机器人。

实验数据集收集与激光测距仪、GPS和惯性传感器。激光测距仪是用来检测障碍物的距离和方位。惯性传感器用于测量智能车辆的速度和指导方向。GPS用于提供机器人的位置信息。在实验中,圆形物体像树干被当作地图的标准特性。

的距离精度和方位精度激光测距仪是0.1米和1 *π分别/ 180 rad。惯性传感器的精度在不同的环境中很容易改变。当惯性传感器是静态的,它的精度高。然而,当惯性传感器被安装在一个动态的机器人或车辆,其精度较低。这是特别严重的起伏的地形。一般来说,一个惯性传感器的轴承精度应该比3 *π/ 180 rad。惯性传感器的测量精度显著低于激光测距仪。

以下4.4.1。提出了预测

智能车辆的结构如图2。汽车的姿势被描述为 在哪里,,分别代表了协调,智能车辆的坐标和方向。

机器人位姿的预计 在哪里智能车辆的速度的后轴。智能车辆的转向角。是预测噪声。

4.1.2。观察模型

观察模型制定如下: 在哪里和的位置坐标吗功能和智能车辆的时间。车辆之间的距离和吗th特性时,而是特性的轴承在时间。和用激光测距仪测量。代表了观测噪声。

4.2。实验以“维多利亚公园数据集”

“维多利亚公园数据集”17)是用来评估的性能提高方法数据协会在大满贯。实验结果显示为数字3和4。

在图3,实线显示了估计的智能车辆和虚线代表了智能车辆的路线与GPS测量。和点数据3 (b)和3 (c)代表特征的估计位置的地图。在图3(一个),实线是智能车辆的路径估计惯性传感器的测量。图中可以看到3(一个)估计路径明显发散。图3 (b)显示了大满贯的数据关联方法的结果15]。和图3 (c)表示结果与数据协会的增强方法。在图3 (c),估计路径几乎伴随着GPS记录。很明显,估计精度在图3 (c)比图吗3 (b)。总之,它可以从图得出的结论3介绍的方法是有效的提高估计精度和数据协会在大满贯的稳定。

至于结果图3 (c),拒绝阈值的系数将3°(3 *π/ 180 rad)。拒绝系数确定的阈值根据传感器的精度和应用环境。测量数据的“维多利亚公园数据集”是两个传感器:惯性传感器和激光测距仪。用惯性传感器测量数据用于预测步骤,同时数据测量与激光测距仪用于更新和地图更新。考虑到这一事实的惯性传感器测量精度明显低于激光测距仪,当拒绝先后触发机制,数据测量与激光测距仪用于正确的预测误差引起的惯性传感器的测量数据。然而,预测的惯性传感器是必要的一步。它提供了一些重要参数,如速度和智能机器人的转向角。

为了清楚地显示的性能提高的方法介绍了大满贯协会的数据,我们已经做了一些实验,如图4。他们是大满贯三个案例的结果。既提高测量采用图4(一)。拒绝机制应用于图4 (b)。拒绝机制和删除策略采用有限的功能图4 (c)。从图可以看出4(一)大满贯的过程是不稳定的。在公园的左边部门,估计机器人路径与GPS记录冲突严重。拒绝采用机制时,姿势错误被大大减轻。当角偏差超过拒绝系数、拒绝触发机制。然后,测量数据引发拒绝机制被丢弃。在实验中,如图所示4 (b),拒绝机制引发了8倍。的位置触发拒绝机制都有大点在图4 (b)。当两个采用加强措施,估计姿势与GPS记录在图一致4 (c)。

简而言之,它可以得出结论,这两个措施是有效改善基于功能的数据关联方法的稳定性在大满贯。

5。结论

数据关联是大满贯至关重要的过程。然而,没有数据关联算法是完全值得信赖的在所有大满贯情况下,原因是大满贯是对于未知的环境,这是严重的不确定性。一些改进方法在此介绍了传感器信息来提高数据协会在大满贯的表现。一方面,只有有限数量的匹配特性用于观测更新。另一方面,一个特别排斥机制旨在反对怀疑观察。实验结果表明,引入措施表现良好在改善数据关联过程的稳定性。因此,这些增强的方法数据协会优秀的大满贯应用程序的价值。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

本文由中国国家自然科学基金资助(没有。51405450,没有。51305406)和中国浙江省教育委员会(没有。Y201431736)。作者要感谢澳大利亚中心领域机器人(ACFR)悉尼大学和相关成员维多利亚公园ACFR的数据集。