[论文笔记]Feature-constrained Active Visual SLAM for Mobile Robot Navigation

Feature-constrained Active Visual SLAM for Mobile Robot Navigation

本文探讨未知环境下视觉导航技术中如何防止定位错误的问题。当采用视觉同步定位与建图（VSLAM）系统时，在运动过程中需要持续识别并关联地图特征。为此提出了一种运动规划框架。它考虑了可靠的导航感知约束，并利用了SLAM系统提供的信息。通过数据驱动的方法预测每个姿态下相关地图点的数量。随后采用了距离最优路径规划算法，在此模型下约束路径选择以确保每个姿态下相关地图点的数量均高于设定阈值。同时引入了实时动态环境的安全性评估机制，并最终提出了一个迭代优化运动规划方案。通过仿真实验验证了该方法的有效性

Introduction

未知环境中移动代理的导航是自主机器人系统的一项重要能力。

探索[1]、区域覆盖[2]以及搜救工作是自主导航领域的常见应用场景，在此背景下

VSLAM技术基于连续的图像流来推断出一组摄像机的姿态，并且实时地构建并维护环境的地图。

在本文中，我们研究并明确了VSLAM系统中的一种特定故障类型，并将其定义为跟踪失败[5]。当系统无法将当前图像中的特征与VSLAM构建的地图点相关联时，则称这种情况为跟踪失败。这种故障会导致姿态估计的不准确性，并可能带来严重的后果。例如图1所示的一个实例充分说明了该问题：机器人按照预先规划好的无碰撞路径匀速行驶，在拐角处试图突然转向时由于最上面的墙壁特征不佳导致定位精度骤降进而引发严重失准现象。

In modern feature-based VSLAM systems, such as ORB-SLAM [5], a threshold is typically employed to assess tracking reliability. As a key parameter, the threshold is used to determine whether tracking is successful or not. When the number of detected key points falls below the threshold, the frame's tracking result is deemed unreliable. Figure 2 illustrates the relationship between the number of associated key points and the probability of tracking failure in subsequent frames.

显而易见的是，在较低的成功追踪率下拥有更多的关键地点数据将使成功追踪率进一步提升至较低水平

本文的目标是主动规划移动机器人到达目标的路径，同时避免跟踪失败。

第一个主要挑战在于从特定姿势关联的地图点中精确逼近。本文提出了一种基于数据驱动的地图点关联模型来应对这一难题。第二个关键挑战与实时路径规划受到VSLAM技术约束相关联。实时路径规划必须依赖于地图点关联模型来进行约束，在这种框架下本文采用了基于最优距离计算的RRT*路径规划算法，并将路径约束限制为无碰撞状态的同时还要求跟踪的地图点数量不低于设定阈值以确保系统性能稳定运行。然而由于环境图与SLAM图具有动态特性它们并非一开始就已知因此需要通过增量构建的方式逐步拓展与完善这两类图的数据结构以支持后续的操作需求在此过程中重规划操作只有在获得更多信息后才可能实施以避免因信息不足而导致系统响应迟缓或优化效果不佳的情况在图1所示的例子中机器人能够在当前可行姿态（如位于姿态3之前）的基础上探索周边环境从而引入新的地图点这些新增的信息将为优化算法提供更多可利用的数据从而使得系统能够重新计算出一条新的可行路径以达到最终目标如果未采取此类探索行为则可能导致机器人陷入无法找到有效通路的状态特别是在信息获取有限的情况下这可能会严重制约系统的整体性能本文旨在探讨如何通过减少系统不确定性的边界邻近探测来提升系统的智能化水平并保证其在复杂动态环境下的有效运行

本文的主要贡献在于识别特定的跟踪失效情况，并提出了规避该类问题的新架构。通过分析SLAM系统内部的数据信息来估算相关地图点的数量，并将此数值用于限制实时距离优化规划算法的有效运行轨迹。该框架在ROS平台上的实现为开源项目，并支持实时更新功能。

Related Work

主动感知（Active perception）于1988年首次提出

R. Bajcsy, “Active perception,” Proceedings of the IEEE, vol. 76, no. 8, pp. 966–1005, 1988

视觉传感与规划与控制的融合通常指为主动感知技术（active vision）或Next-Best-View (NBV)问题

有些研究者五年后依据地图质量来决定控制措施；而地图质量则通过交互信息来反映这一情况。其实在这里两者具有相似之处

M. Bryson and S. Sukkarieh propose an information-theoretically motivated framework for the autonomous navigation and guidance of an autonomous unmanned aerial system in uncertain environments during the 2005 IEEE-RSJ International Conference on Intelligent Robots and Systems (IROS 2005).

截至2015年,研究者首次提出了一个称为感知驱动导航(PDN)的框架.该框架允许机器人回溯先前探索出的视觉关键点位置,从而降低Simultaneous Localization and Mapping(SLAM)中的不确定性.

Kim along with R. M. Eustice presented "Active visual SLAM technology for robotic area surveying: Theoretical foundations and experimental validation" in The Journal of Robotics Research International, Year 2015, Volume 34, Issue 4-5, Pages 457–475.

Problem Formulation

空间C可划分为C_{obs}和C_{free}。最初情况下，C_{obs}没有预先的信息；而C_{free}则是由路径连接组成的子区域。

机器人配备了配备了一种基于Kinect风格的相机设备，在实时运行中能够生成RGB图像以及深度数据。

x_s , x_g 分别是机器人的当前位置和目标位置。

然而，在未知环境中以及缺乏直接的位置感测的情况下

F: C \to Z 是从地图C 到 当前特征数量Z的映射。

Computing Associated Map Points

确定一条路径P满足条件p⊂Co，并获得映射F的近似表示为MAM模型用于预测给定状态下关联地图点的数量。定义D为当前映射到图像平面的地图点集合。每个地图点使用p_R^(i)表示；其中R代表map point坐标系。变换矩阵T_OR(x)∈SE(3)，代表从R到相机坐标系O的映射关系。相机中的坐标p_O^{(i)=T_OR(x)p_R}(i)，通过投影得到图像平面上的投影点。

对于 地图点 必须满足以下条件：

首先必须确保地图点位于相机视野内，并且在图示区域被指定。在基于关键帧的同时定位与建图(VSLAM)系统中, 每个地图点通常由多个关键帧共同优化确定.根据这些关键帧及其姿态进行计算, 我们能够获得每个关键帧的方向信息.通过比较平均关键帧的方向与当前观察方向x之间的夹角α, 就可以评估当前视角的质量.由于不同视角可能导致描述符匹配困难, 因此必须满足第三个条件: α < αmax, 其中αmax可依据描述符旋转不变性参数来设定.

因为图像中的噪声以及VSLAM数据之间的不确定性关系可能导致无法实现地图点与图像特征的有效匹配。本研究采用基于数据的方法来解决这一问题。当将VSLAM应用于图像序列时，在满足上述条件的所有地图点中统计每个地图点的数量s_n及其对应的成功匹配次数a_n。然后通过计算比值v = s_n / a_n \in [0,1]来评估该地图点与特征之间的关联概率。

Navigation Framework

Overview

机器人旨在避开障碍物以实现目标到达。在本研究中采用基于距离最优化的路径规划方案，在此过程中尽管环境信息有限，在此研究中机器人需通过构建地图来降低不确定性，并完成障碍物识别与定位过程。本研究采用视觉 simultaneous localization and mapping技术进行状态估计以实现定位过程。在动态地图模型中划分出可占用、不可占用以及未被探索区域有助于缩小可活动范围进而提高导航效率

规划器限定路径仅限于已被探索且无碰撞、特征丰富区域。鉴于存在不确定性因素并非能够直接得到从起始状态到目标位置的道路连接关系。本文通过反复规划的过程不断获取更多关于路径的信息。在每一次重新规划的过程中都会生成一条能够达到最优化状态的目标路径。每当机器人成功抵达目标位置后会立即在其邻近边界区域原地做个小幅度旋转动作从而降低系统中的不确定性程度。

Proximity exploration

在运动过程中通过octopmap生成地图并形成三维网格结构随后将其投射至二维平面的地图中每个单元格会被分类为四种状态即未探测被占领开放以及边界区域能够定义为那些存在至少一个相邻未探测单元格的开放单位根据下面这篇文章提出的提取算法进行计算

This paper presents a 3D frontier-based exploration tool for MAVs at the 2015 IEEE 27th International Conference on Tools with Artificial Intelligence conference held in November 2015, which includes pages from 348 to 352.

边界单元格在路径规划过程中被视为障碍，直道它们被标记为free。

每当经过某条路径后

Path planning

该系统采用 RRT* 算法来确定一条距离最优的路径。该算法通过持续地引导搜索树向目标区域扩展。

仅在连接采样点间的边可通行的情况下，在运动规划树中实现新节点扩展至目标采样点的位置。具体而言，在基于重构的地图M中评估当前状态时需要考虑两个关键条件：第一，在评估过程中需确保当前状态不会与已占用区域发生碰撞，并且处于边界区域的可能性是否存在；第二，在满足前一条件的基础上同时要求当前状态下估算出的地图关键点数量需超过设定阈值（通常用于确保路径完整性）。若该边可通行，则将相关采样节点加入树结构中。

Algorithm

该算法详细阐述了在环境图绘制、规划及邻近探测过程中朝着目标运动的关键算法步骤。该算法首先更新OctoMap以及VSLAM地图。随后，在每一步迭代中该算法都将规划并执行从当前位置至最佳路径的目标点移动策略。基于当前环境信息分析的结果，在每一步迭代中该算法都将生成一条尽可能接近最佳路径的目标点路径。如果当前迭代未能成功抵达最佳路径的目标点，则通过绕行边界区域进行简单的旋转动作来进一步探索边界区域的可能性。这一过程将持续进行直至问题得到彻底解决

Experiments

实验首先对提出的地图点关联模型进行了验证。

Implementation setup

本文所提出的算法已成功在ROS平台进行开发和集成，并已开源至GitHub项目：https://github.com/XinkeAE/Active-ORB-SLAM2。

Map points association model validation

评估MAM模型的有效性。

Experimental results

在所有的实验中，跟踪失败都是在接近一堵没有特征的墙时发生的。