一种构建移动设备运动模型的方法及相关系统技术方案

一种构建移动设备的运动模型的计算机实现的方法1000，其中该方法包括使用所述设备的传感器获得提供所述移动设备的估计位姿的位置数据1002；基于来自所述传感器的位置数据生成初始图1004，所述图的节点提供所述设备的一系列可能的位姿，所述图的边表示里程和/或闭环约束；通过在每个闭环与一组其他闭环之间进行成对一致性测试1006，处理所述图以估计每个闭环置信度评分；以及通过基于所述置信度评分对每个闭环进行保留或删除1008从所述初始图生成增广图。

A method of building mobile device motion model and related system

【技术实现步骤摘要】
【国外来华专利技术】一种构建移动设备运动模型的方法及相关系统本专利技术涉及一种构建一个或以上移动设备的运动模型的方法和相关系统。具体而言，实施例可以利用同时定位与建图(SLAM)。更具体地，本专利技术涉及所识别的闭环的处理，该闭环可以被正确或不正确地识别，并且优选地输出提供运动模型的位姿图。位姿图同时定位与建图(SimultaneousLocalizationandMapping，SLAM)是现有技术中最流行、最有效的机器人定位技术之一，并且在过去十年中引起了人们的极大兴趣。位姿图通常由传感器的前端构建，带有表示约束(例如里程的观测值，通常受长期漂移的影响)的边，和表示机器人位姿或地标的节点。“位姿”通常包含位置和方向。重新访问某个区域时-例如，当前端识别出机器人(或人)已返回到先前访问的位置时会产生闭环。因此，可以计算出第一次访问的机器人的位姿和后续访问的机器人的位姿之间的转换-这个转换链接两个不同轨迹上的节点，因此被描述为闭环。通过在图中插入其他边(或约束)来表示闭环。方便地，位姿图SLAM后端可用于通过最小化位姿图的误差来获得改进的机器人的位置。在位姿图SLAM系统中，不正确的闭环会阻碍优化器收敛到正确的解，从而显著降低定位精度和地图一致性。因此，研究人员试图在存在大量假阳性闭环的情况下提高其鲁棒性。假阳性闭环是指系统错误识别的闭环，即不是真正的闭环。在典型的机器人应用中，平台配备了功能强大的传感器，例如激光雷达和视觉系统，可以高度准确地检测闭环。但是，在一些信息量较少的新兴应用中，例如用于基于智能手机定位的地球地磁场，模糊闭环的数量可能会不成比例地高于真实闭环的数量。现有的方法在使用不可靠的前端系统时往往会失败，很大一部分(实际上是大部分)推断出的闭环是不正确的。现有的后端优化器可以容忍一小部分不正确的闭环。但是，如果假阳性闭环的数量过高(例如>50％)，则图优化可能会表现不佳或完全失败。近年来，通过提高后端对假阳性闭环的鲁棒性，为提高位姿图SLAM系统的可靠性做出了巨大的努力。现有算法主要集中在如何检测假阳性闭环并进一步减轻其影响上，例如，请参见：[1]N.Sunderhauf和P.Protzel，2012年IEEE国际会议上的机器人与自动化(ICRA)中的“迈向位姿图猛击的强大后端”，IEEE，2012，第1254–1261页；[2]N.Sunderhauf和P.Protzel，2012年IEEE/RSJ国际会议上的智能机器人和系统中的“可切换的约束实现鲁棒的位姿图猛击”，IEEE，2012，第1879–1884页；[3]P.Agarwal,G.D.Tipaldi，L.Spinello,C.Stachniss和W.Burgard,，2013年IEEE国际会议上的机器人与自动化(ICRA)中的“使用动态协方差缩放的鲁棒图优化”，IEEE，2013，第62-69页；[4]Y.Latif,C.Cadena和J.Neira，Proc机器人技术：科学系统中的“稳健的循环随着时间的推移而关闭”，2013，第233–240页；[5]E.Olson和P.Agarwal，“关于鲁棒机器人映射的混合物网络的推论”，《国际机器人研究杂志》，2013，第32卷，第7期，第826–840页；[6]E.Olson，“关于用于鲁棒机器人映射的混合物网络的推理”，《机器人技术：科学与系统》，第8章，第313页，2013；[7]G.H.Lee,F.Fraundorfer和M.Pollefeys，2013年IEEE/RSJ国际会议上的智能机器人和系统中的“以期望最大化的稳健性位姿图闭环”，IEEE，2013，第556–563页；[8]Y.Latif,C.Cadena和J.Neira，“位姿图大满贯的鲁棒循环随时间而关闭”，《国际机器人研究杂志》，第1611–1626页，2013年；[9]L.Carlone,A.Censi和F.Dellaert，2014年IEEE/RSJ国际会议上的智能机器人和系统中的“通过l-1弛豫选择良好的测量：一种图上鲁棒估计的凸方法”，IEEE，2014年，第2667–2674页；[10]M.C.Graham,J.P.How和D.E.Gustafson，2015年IEEE/RSJ国际会议上的智能机器人与系统(IROS)中的“以一致性进行检查的稳健增量猛击”，IEEE，2015年，第117–124页；[11]A.V.Segal和I.D.Reid，IEEE/RSJ国际会议上的智能机器人与系统(IROS2014)的“用于鲁棒位姿图估计的混合推理优化”，IEEE，2014年，第2675–2682页；和[12]A.D.Fourie,J.Leonard和M.Kaess，2016年IEEE/RSJ国际会议上的智能机器人与系统(IROS)中的“贝叶斯树的非参数置信解”，IEEE，2016年，第2189–2196页。在过去的几年中，已经提出了几种鲁棒的后端算法来解决由假阳性闭环引起的问题。就使用的技术而言，它们可以大致分为两种类型：A、基于增广模型的方法；以及B、基于图一致性的方法。A、基于增广模型的方法基于增广模型的方法着重在于如何通过在图形优化过程中考虑假正闭环并排除异常值来研究建模位姿图SLAM问题。Sunderhauf和Protzel[1]、[2]表示因子图的拓扑可以部分不固定，并提出了可切换约束(SwitchableConstraints，SC)的思想，其中将可切换变量分配给每个闭环约束。一旦将约束视为异常值，就会在优化过程中将其关闭。基于这项工作，Agarwal等人[3]引入了动态协方差缩放(DynamicCovarianceScaling，DCS)，它用m估计器代替了二次成本并达到了更快的收敛速度。Olson和Agarwal[5]、[6]通过合并两个不同的高斯模型来创建混合模型。他们的主要见解是在模型之间使用max运算符而不是sum运算符，因为它可以大大简化后验最大似然的求解。Lee等人[7]将鲁棒的后端问题建模为贝叶斯网络，并应用分类期望最大化算法对其进行求解。分配一个附加变量作为每个闭环约束的权重，最后减小离群值的权重以减轻优化过程中离群值的影响。尽管基于增广模型的方法可以在合理数量的假阳性闭环的情况下实现卓越的性能，但仍存在一些缺点。例如，如[3]中报道的那样，DCS往往对随机分布的离群值无效。此外，这些方法依赖于参数调整。B、基于图一致性的方法基于图一致性的方法旨在基于一致性检查来选择闭环的子集进行位姿优化。实现、逆向、恢复(Realizing,Reversing,Recovering，RRR)算法[4]、[8]首先根据时间戳将所有闭环划分为几个群集，然后应用多个χ2检验以检查群集内和群集间一致性。群集中单个闭环或具有较高χ2错误的整个群集将被排除。最近[9]和[10]也关注图一致性。但是，与RRR不同，它们会搜索约束的最大一致性子集。本文档来自技高网...

【技术保护点】
1.一种构建移动设备的运动模型的计算机实现的方法，其中，所述方法包括：/n使用所述设备的传感器获得提供所述移动设备的估计位姿的位置数据；/n基于来自所述传感器的所述位置数据生成初始图，所述图的节点提供所述设备的一系列可能的位姿，所述图的边表示里程和/或闭环约束；/n通过在每个闭环与一组其他闭环之间进行成对一致性测试，处理所述图以估计每个闭环置信度评分；以及/n通过以下方式从所述初始图生成增广图：/n基于所述置信度评分对每个闭环进行保留或删除。/n

【技术特征摘要】
【国外来华专利技术】20171109 GB 1718507.5;20170731 GR 201701003601.一种构建移动设备的运动模型的计算机实现的方法，其中，所述方法包括：
使用所述设备的传感器获得提供所述移动设备的估计位姿的位置数据；
基于来自所述传感器的所述位置数据生成初始图，所述图的节点提供所述设备的一系列可能的位姿，所述图的边表示里程和/或闭环约束；
通过在每个闭环与一组其他闭环之间进行成对一致性测试，处理所述图以估计每个闭环置信度评分；以及
通过以下方式从所述初始图生成增广图：
基于所述置信度评分对每个闭环进行保留或删除。


2.根据权利要求1所述的方法，其中，所述增广图的生成还包括步骤：将人工闭环边插入到所述图中成对的保留闭环之间。


3.根据权利要求2所述的方法，其中，通过选择所述图的一个或以上成对节点并且计算链接所述成对节点的边来创建所述人工闭环，每条新边表示一个新的闭环。


4.根据权利要求3所述的方法，其中，通过确定将所述成对的第一节点的所述位姿转换为所述成对的第二节点的位姿的转换来计算人工边。


5.根据上述权利要求任一项所述的方法，其中，在成对节点之间执行的所述一致性校验是空间一致性校验。


6.根据上述权利要求任一项所述的方法，其中，相对于所述设备的初始位姿来确定所述移动设备的估计位姿。


7.根据上述权利要求任一项所述的方法，其中，如果所述闭环的置信度评分低于第一水平，则从所述图删除所述闭环，并且可选地，所述第一水平是固定的或学习的。


8.根据权利要求7所述的方法，其中，如果所述置信度评分高于所述第一水平，则保留所述闭环。


9.根据上述权利要求任一项所述的方法，其中，使用k均值聚类将所述闭环聚类为两组，并且从所述图中删除中心值较低的所述组中的所述闭环。


10.根据权利要求7所述的方法，其中，如果所述闭环处于中心值较高的所述组中，则所述闭环被保留。


11.根据上述权利要求任一项所述的方法，其中，如果一对闭环的所述置信度评分高于第二水平，则使用该对闭环来播种所述人工闭环的生成，并且其中所述第二水平可以是固定的或从数据中学习的。


1...

【专利技术属性】
技术研发人员：谢林海，王森，安德鲁·马卡姆，妮基·崔歌尼，
申请(专利权)人：牛津大学科技创新有限公司，
类型：发明
国别省市：英国;GB