SLAM是機器人或車輛建立當(dāng)前環(huán)境的全局地圖并使用該地圖在任何時間點導(dǎo)航或推斷其位置的過程。

SLAM常用于自主導(dǎo)航，特別是在GPS無信號或不熟悉的地區(qū)的導(dǎo)航。本文中我們將車輛或機器人稱為“實體”。實體的傳感器會實時獲得周圍環(huán)境的信息，并對信息進(jìn)行分析然后做出決策。

1. 介紹

SLAM是一種時間模型，它的目標(biāo)是從復(fù)雜的信息中計算出一系列狀態(tài)，包括預(yù)期環(huán)境，距離，以及根據(jù)之前的狀態(tài)和信息得出的路徑 W_t 。有許多種狀態(tài)，例如，Rosales和Sclaroff（1999）使用狀態(tài)作為行人邊界框的3D位置來跟蹤他們的移動。Davison 等人（2017）使用單目相機的相機位置，相機的4D方向，速度和角速度以及一組3D點作為導(dǎo)航狀態(tài)。

SLAM一般包含兩個步驟，預(yù)測和測量。為了準(zhǔn)確表示導(dǎo)航系統(tǒng)，SLAM需要在狀態(tài)之間以及狀態(tài)和測量之間進(jìn)行學(xué)習(xí)。SLAM最常用的學(xué)習(xí)方法稱為卡爾曼濾波。

2. 卡爾曼濾波

卡爾曼濾波是一種用于狀態(tài)估計的貝葉斯濾波類型。它是一種遞歸算法，作為系統(tǒng)中不確定性的函數(shù)，使預(yù)測可以隨著時間的推移進(jìn)行校正。不確定性表示為當(dāng)前狀態(tài)估計和先前測量之間的權(quán)重，稱為卡爾曼增益。該算法將實體先前的狀態(tài)，觀測和控制輸入以及當(dāng)前的觀測和控制輸入作為輸入。過濾器包括兩個步驟：預(yù)測和測量。預(yù)測過程使用運動模型，可以根據(jù)給定的先前位置和當(dāng)前的輸入估計當(dāng)前位置。測量校正過程使用觀察模型，該模型基于估計的狀態(tài)，當(dāng)前和歷史觀察以及不確定性來對當(dāng)前狀態(tài)進(jìn)行最終估計。

圖1. 根據(jù)歷史狀態(tài)，傳感輸入和觀測以及當(dāng)前傳感輸入和觀測來估計新狀態(tài)w_{t+1}和m。

第一步涉及了時間模型，該模型基于先前的狀態(tài)和一些噪聲生成預(yù)測。

公式1. 預(yù)測模型。μ表示狀態(tài)的平均變化向量。ψ是狀態(tài)數(shù)量的矩陣，將當(dāng)前狀態(tài)與先前的平均值相關(guān)聯(lián)。ε是轉(zhuǎn)換噪聲，可以確定當(dāng)前狀態(tài)與前一個狀態(tài)的緊密相關(guān)程度。

第二步是“校正”預(yù)測。傳感器收集自主導(dǎo)航的測量值。有兩類傳感器：外傳感器器和內(nèi)傳感器(proprioceptive)。外傳感器從外部環(huán)境中收集信息，包括聲納，距離激光，相機和GPS。在SLAM中，這些是觀察值。內(nèi)傳感器利用編碼器，加速度計和陀螺儀等設(shè)備收集系統(tǒng)內(nèi)部信息，如速度，位置，變化和加速度。在SLAM中，這些是單元控制，傳感器結(jié)果輸入到實體中進(jìn)行計算。這些傳感器各有利弊，但相互組合可以產(chǎn)生非常有效的反饋系統(tǒng)。

公式2. μ?表示測量平均向量。Φ是狀態(tài)數(shù)量的將測量的平均值與當(dāng)前狀態(tài)相關(guān)聯(lián)。ε?是測量噪聲，通常以協(xié)方差Σ?分布。

卡爾曼增益增強了測量的可信性。例如，如果相機失焦，我們就不會對拍攝內(nèi)容的質(zhì)量報太大期望?？柭鲆孑^小意味著測量對預(yù)測的貢獻(xiàn)很小并且不可靠，而卡爾曼增益較大則正好相反。

公式3.卡爾曼增益計算，Σ?是預(yù)測的協(xié)方差。

更新過程如下：

公式4. 使用卡爾曼增益的卡爾曼濾波學(xué)習(xí)過程。圖片來自Simon JD Prince（2012）。

雖然這種方法非常有用，但它還存在一些問題。卡爾曼濾波假定單模態(tài)分布可以用線性函數(shù)表示。解決線性問題的兩種方法是擴展卡爾曼濾波器（EFK）和無跡卡爾曼濾波器（UFK）。EFK使用泰勒展開來逼近線性關(guān)系，而UFK使用一組質(zhì)量點近似表示正態(tài)，這些質(zhì)量點具有與原始分布相同的均值和協(xié)方差。一旦確定了質(zhì)量點，算法就通過非線性函數(shù)傳遞質(zhì)量點以創(chuàng)建一組新的樣本，然后將預(yù)測分布設(shè)置為正態(tài)分布，均值和協(xié)方差等效于變換點。

由卡爾曼濾波強加的單模分布假設(shè)意味著不能表示其他狀態(tài)假設(shè)。粒子濾波是解決這些問題的常用方法。

圖片來自Simon JD Prince（2012）

3. 粒子濾波

粒子濾波允許通過空間中的粒子來表示多個假設(shè)，高維度需要更多粒子。每個粒子都被賦予一個權(quán)重，該權(quán)重表示其所代表的狀態(tài)假設(shè)中的置信度。預(yù)測從原始加權(quán)粒子的采樣開始，并從該分布中采樣預(yù)測狀態(tài)。測量校正根據(jù)粒子與觀測數(shù)據(jù)的一致程度（數(shù)據(jù)關(guān)聯(lián)任務(wù)）來調(diào)整權(quán)重。最后一步是對結(jié)果權(quán)重進(jìn)行歸一化，使總和為1，因此它們是0到1的概率分布。

圖片來自Simon JD Prince（2012）。粒子濾波的步驟。

因為粒子的數(shù)量可以不斷增多，因此對該算法的改進(jìn)集中在如何降低采樣的復(fù)雜性。重要性采樣和Rao-Blackwellization分區(qū)是常用的兩種方法。

4. 研究現(xiàn)狀

下圖來自Fuentes-Pacheco, J., Ruiz-Ascencio, J., & Rendón-Mancha, J. M. (2012)的論文“Visual simultaneous localization and mapping: a survey”，總結(jié)了到2010年的SLAM中的一些方法。他們的研究分為幾個方面。核心方案是使用學(xué)習(xí)算法，其中一些在上文討論過。地圖的類型是捕獲環(huán)境幾何屬性的度量圖，或者是描述不同位置之間的連接的拓?fù)鋱D。

在線跟蹤中最常用的功能是顯著特征和標(biāo)記。標(biāo)記是在環(huán)境中由3D位置和外觀描述的區(qū)域（Frintrop和Jensfelt，2008）。顯著特征是由2D位置和外觀描述的圖像區(qū)域。深度學(xué)習(xí)技術(shù)通常用于在每個時間點描述并檢測這些顯著特征，以向系統(tǒng)添加更多信息。檢測是識別環(huán)境中的顯著元素的過程，描述是將對象轉(zhuǎn)換為特征向量的過程。

表1來自J. Fuentes-Pacheco等人（2012年）。與特征提取相關(guān)的研究

應(yīng)用SLAM的方案有兩種，一種是回環(huán)檢測（loop closure），另一種是“機器人綁架（kidnapped robot）”?；丨h(huán)檢測是識別已經(jīng)訪問過的任意長度的循環(huán)偏移，“機器人綁架”不使用先前的信息去映射環(huán)境。

表2仍然來自J. Fuentes-Pacheco等人。（2012）針對環(huán)境特定的方法。

5. 總結(jié)

SLAM是自主導(dǎo)航中常用的狀態(tài)時間建模的框架。它主要基于概率原理，對狀態(tài)和測量的后驗和先驗概率分布以及兩者之間的關(guān)系進(jìn)行推斷。這種方法的主要挑戰(zhàn)是計算復(fù)雜。狀態(tài)越多，測量越多，計算量越大，在準(zhǔn)確性和復(fù)雜性之間進(jìn)行權(quán)衡。