技术文章

根据你提供的文章内容，我进行了分析和判断。文章内容涉及计算机技术，现已为你整理翻译如下：

机器人定位误差的更有效衡量方法

测量从不同相机视角得出的位置估计之间的位移，有助于强制执行对导航至关重要的局部一致性。

同时定位与地图构建的核心与局限

同时定位与地图构建（SLAM）是自主机器人的核心能力之一，其相关文献非常丰富。“建图”意味着构建机器人环境的地图，“定位”意味着在地图上识别机器人的位置，“同时”意味着机器人必须同时完成这两项任务。

在SLAM的基础上，机器人可以规划通过其环境的轨迹。但没有SLAM算法是完美的。定位需要达到多高的精度才能确保可行的轨迹规划？

在我们提交给今年国际智能机器人与系统会议（IROS）的一篇论文中，我们认为现有的用于测量SLAM误差的指标并不适合导航问题。特别是，最小化全局误差可能会留下局部误差的可能性，这使得轨迹规划变得极其困难。

因此，我们提出了一种新的指标，称之为重叠位移误差（ODE）。ODE有时可能会导致全局指标误差稍大的解决方案，但它能强制执行更强的局部一致性，我们相信这将实现稳健的轨迹规划。

着眼局部，把握全局

下面的例子说明了为什么传统的SLAM指标对于导航目的而言并非理想选择。该图显示了一个大型双翼建筑的两张不同地图，它们是由两种不同的SLAM算法应用于相同的传感器数据产生的。

• 在左侧，展示了一种全局上非常准确的SLAM算法；其对从左翼边缘到右翼边缘距离的估计误差仅为1厘米。然而，在左上角，算法出现了混淆。尽管绝对轨迹误差仍然很低，但该算法对一个门口位置产生了两个不同的估计（红色和蓝色），导致机器人认为开口狭窄到无法通过。因此，如果机器人想从一个翼移动到另一个翼，它将难以规划通过该开口的路径。
• 在右侧，可以看到另一个SLAM算法的结果。机器人的轨迹估计明显存在漂移，该算法具有巨大的绝对建图误差；从左翼到右翼的误差为100厘米。然而，该SLAM算法在局部似乎与自身保持一致，这意味着尽管地图有偏斜，但它仍然是完全可导航的。

这里要说明的关键点是，绝对误差并不是自主导航最相关的衡量标准。重要的是，每当机器人经过同一区域时，它都与自身的认知保持一致。如果保持一致，它就不会删除墙壁（或制造虚假开口），也不会堆积出虚假的墙壁（从而阻塞走廊）。自洽正是我们提出的指标的目标。

重叠位移误差如何工作

考虑一个物理障碍物（下图中蓝色圆圈），机器人在两个不同的时间T0（芥末色视图）和T1（绿色视图）看到了它。SLAM算法将这个障碍物映射了两次（芥末色圆圈和绿色圆圈），但由于定位不准确，这两个映射的圆圈未能像它们本应该的那样相互重叠。ODE测量从芥末色圆圈到绿色圆圈的位移误差（红色箭头）。

可以为同一传感区域的每对相机视图计算此位移误差。如果在SLAM地图上叠加一个网格，可以通过在每个网格单元上放置一个虚拟障碍物来聚合误差。

与传统指标的比较

在下图中，我们将ODE与三种传统指标进行了比较：绝对轨迹误差（ATE）和两种类型的相对轨迹误差（RTE），即线性（米）和角度（度）。在左侧，展示了真实轨迹（绿线）、SLAM算法的估计轨迹（白线），以及一个热力图，该图表示如果使用一个两米范围的360°距离传感器，定位不准确会引入地图的误差程度。估计轨迹上的数字表示时间步长。

在右侧，展示了不同定位误差指标的曲线图。请注意，ODE专注于地图一致性，在轨迹估计的不连续处（第100步）和轨迹不完美相交的区域（第40步和第220步）有明显的峰值。然而，使用其他指标时，局部不一致性更难推断。

结论：与传统指标不同，ODE衡量的是定位的地图一致性。对于确保机器人能在其构建的地图中可靠、安全地导航而言，这种局部一致性往往比单纯的全局定位精度更为关键。
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）

公众号二维码

公众号二维码