摘要
主动同时定位与建图(simultaneous localization and mapping,SLAM)指机器人在进行环境感知的过程中有选择地规划自身的运动方式并有目的地进行观测，以获取某些评价指标的最优。主动SLAM通常以机器人位姿及地图估计的不确定度和探索增益为导向，提升机器人在未知环境下的定位精度以及探索效率。其中，SLAM不确定度的估计和预测是主动SLAM中的研究重点。为了使得位姿和地图估计不确定度最小化，主动SLAM通常根据现有的观测估计当前位姿的不确定度，预测下一步的不确定度，进而通过主动运动减小不确定度。然而，目前主流的主动SLAM方法无法给出优化框架下RGB-D SLAM完整的不确定度的封闭解计算方法，难以获得准确的不确定度预测结果，进而使得机器人的路径规划无法有效降低SLAM的不确定度。 本文针对移动机器人RGB-D视觉主动SLAM问题展开研究。首先，考虑地图点估计和位姿估计之间的关联关系，完整地给出ORB-SLAM2系统的地图点以及相机位姿不确定度的封闭解，并基于此对ORB-SLAM2进行优化。其次，设计基于不确定度的概率栅格地图构建方法并基于概率栅格地图改进路径规划方法，从而有效降低SLAM的不确定度；最后，提出单步不确定度预测方法，以最小不确定度和最大探索增益为目标，计算机器人的控制输入并进行主动回环，实现RGB-D视觉主动SLAM，本文具体研究工作如下： (1)针对RGB-D视觉主动SLAM中优化框架下的机器人位姿和地图点不确定度封闭解计算问题，提出基于隐式求导法则的ORB-SLAM2不确定度估计方法。首先，针对位姿估计所使用的最小化重投影误差的优化问题，根据隐式求导法则给出机器人位姿不确定度的解析解。其次，通过协方差传递将位姿不确定度传播到地图点，从而得到三角化恢复的地图点的不确定度以及深度测量恢复的地图点的不确定度。然后，使用协方差交叉(covariance intersection,CI)滤波器将三角化恢复的地图点和深度测量恢复的地图点进行融合，从而提升RGB-D SLAM系统的定位与建图的准确性。 (2)针对RGB-D视觉主动SLAM中的机器人导航规划问题，提出基于不确定度的概率栅格地图构建方法以及基于信息熵的快速搜索随机树-连接(rapidly-exploring random tree-connect,RRT-Connect)路径规划方法。首先，对相机的RGB图像和深度图像进行采样，选择合适的像素点恢复其对应的3D点。其次，将机器人位姿不确定度和像素点深度测量不确定度传播到3D点。然后，将3D点投影到栅格地图中，计算每个栅格的占据概率，并进行实时更新，用于后续的机器人导航。最后，在RRT-Connect中，使用栅格概率计算栅格的信息熵，并通过信息熵对路径节点之间的距离进行加权，得到可以有效降低SLAM不确定度的机器人运动路径。 (3)针对RGB-D视觉主动SLAM中的机器人探索问题，提出兼顾主动回环与探索增益的主动探索策略。首先，提出基于动态窗口法(dynamic window approach,DWA)和KD树搜索的预回环检测方法，将下一步采样位姿分为回环位姿和非回环位姿。其次，给出不确定度-距离模型，根据该模型和SIM3优化或重投影误差优化方法分别预测回环位姿和非回环位姿的不确定度，在DWA评价函数中加入位姿不确定度约束项，引导机器人下一步驶向不确定度尽可能小的位姿处。然后，提出兼顾不确定度和探索增益的探索策略，根据当前位姿不确定度和平均位姿不确定度，自适应地选择探索未知区域或者执行回环，从而实现准确、高效地环境探索。
NETL