SLAM技术在移动机器人导航定位应用中起到了关键性的作用。通过相机、LiDAR等遥感型传感器,机器人可以在未知场景中同时实现对周围环境的感知以及对自身运动状态的估计(即同步定位与建图,SLAM);但这些传感器可能会受视野遮挡或外界条件变化的影响,在复杂场景下性能会严重下降。而惯性传感器(IMU)可以独立自主地感知机器人的三维运动,且不受外界环境的影响;但是其误差积累很快。那有没有可能用IMU以某种形式来感知环境特征,从而实现SLAM,并通过回环检测来抑制惯导的误差发散呢?团队最近在IEEE Robotics and Automation Letters上发表的一篇论文[1]对这个问题进行了初步探索,并在GitHub上开源了算法代码(https://github.com/i2Nav-WHU/Wheel-SLAM)。
1. 研究背景
我们团队之前的几篇文章[2-4]提出了一种基于车轮安装MEMS IMU的轮式机器人定位系统(Wheel-INS)。通过将IMU安装在车轮上,不仅实现了类似于“惯导+轮速计”的信息融合,还起到了类似旋转调制的作用,进一步抑制了惯导的误差发散。更多细节请阅读我们的学术成果中的Wheel-INS和Wheel-INS2。
在Wheel-INS的相关实验中,我们发现机器人的横滚角和路面地形有明显的相关性,且具有很高的位置区分度和很好的重复性,如图 1所示。这时我们意识到,该信息不是正好可以用来反映道路的地形特征吗?(即路堤倾角,road bank angle,如图 2所示)。而有了特征感知能力不就可以检测回环从而实现SLAM了吗?因此这篇文章的idea就是:利用一个车轮安装的IMU(Wheel-IMU),同时估计机器人的导航状态和感知道路地形特征,并利用相同路段的道路地形特征一致的特性来实现回环检测,从而抑制惯导长时间的误差累积。
图 1:Wheel-INS实验轨迹和机器人横滚角估计值。
机器人在图中标记区域绕圈行驶多次,可以观察到对应的机器人横滚角估计值具有很高的位置区分度和重复性。
图 2:机器人横滚角和路堤倾角示意图 (其中v-frame表示载体坐标系)
2. 方法
为了验证这个想法的可行性,我们选择了经典的粒子滤波方法来实现。每个粒子保存独立的状态估计结果,按距离等间隔采样轮式机器人的横滚角,并作为地形特征存放到每个粒子维护的二维地图中,如图 3所示。当某个/某些粒子探测到位置重访之后,通过比对当前估计的横滚角和地图中存放的横滚角,筛选出正确回环的粒子并更新权重。为了提高回环检测的可靠性和鲁棒性,我们用一段横滚角序列进行匹配,并且只在连续匹配成功的情况下才认为此次回环是可靠的,最后根据序列匹配的相关系数更新粒子权重。算法实现细节请参阅我们的论文[1]或GitHub代码。
图 3:Wheel-SLAM地形特征二维格网地图
不同颜色的曲线代表不同的粒子维护的机器人轨迹,黄色表示探测到回环的粒子,绿色和紫色表示未探测到回环的粒子。灰色栅格表示机器人(黄色粒子)访问过的位置,蓝色栅格表示机器人(黄色粒子)重访的位置。
3. 实验结果
我们在不同的场景进行了五次实验,对Wheel-SLAM和Wheel-INS定位结果进行了对比。图 4给出了第三次实验中Wheel-INS和Wheel-SLAM的定位轨迹。五组实验的导航误差统计结果如表 1所示。
图 4:实验三Wheel-SLAM和Wheel-INS估计的载体轨迹和参考真值
表1:Wheel-SLAM和Wheel-INS水平位置和航向误差统计值
从图表中的结果可知,团队提出的算法利用Wheel-IMU提取的道路地形特征,可以有效地实现回环检测,从而抑制惯导长时间的误差累积。更多实验结果请参阅我们的论文[1]。
4. 总结
本文的主要贡献如下:
1. 我们提出并实现了一个基于车轮安装IMU的轮式机器人SLAM系统(这或许是能实现SLAM的最低成本的传感器配置了);
2. 我们验证了用Wheel-IMU提取道路特征(路堤倾角)实现回环检测的可行性,并如预期的那样有效抑制了惯导的长时间误差发散。
但是,Wheel-SLAM也存在一些不足:一是如果地面过于平整(如室内场景),就很难提取出有区分度的地面特征;二是Wheel-SLAM要求机器人必须“亲力亲为”地重访行驶过的区域才能有效地检测回环,而不像visual SLAM具备遥感能力,即使不是严格地回到历史位置,在不同的视角下也能探测回环。
总之,不同于传统的惯性导航技术对IMU的使用,我们巧妙地利用一个安装在车轮上的IMU,通过对机器人的状态估计来反映地形信息,充分挖掘了IMU对环境的感知能力,仅用一个低成本IMU就实现了机器人的同步定位与建图。沿着这个思路发展下去,惯导在机器人感知与导航的应用中是否还能发挥出更多“四两拨千斤”的作用呢?
相关参考文献可在团队网站(i2nav.cn)的“研究成果-学术论文”列表中下载。(Link)
参考文献
[1] Y. Wu, J. Kuang*, X. Niu, J. Behley, L. Klingbeil and H. Kuhlmann, "Wheel-SLAM: Simultaneous Localization and Terrain Mapping Using One Wheel-Mounted IMU," in IEEE Robotics and Automation Letters, doi: 10.1109/LRA.2022.3226071, 2023.
[2] X. Niu, Y. Wu and J. Kuang*, "Wheel-INS: A Wheel-mounted MEMS IMU-based Dead Reckoning System, "IEEE Transactions on Vehicular Technology, doi: 10.1109/TVT.2021.3108008, 2021.
[3] Y. Wu, X. Niu and J. Kuang*, "A Comparison of Three Measurement Models for the Wheel-mounted MEMSIMU-based Dead Reckoning System," IEEE Transactions on VehicularTechnology, doi: 10.1109/TVT.2021.3102409, 2021.
[4] Y. Wu, J. Kuang* and X. Niu, "Wheel-INS2: Multiple MEMS IMU-Based Dead Reckoning System With Different Configurations for Wheeled Robots, "IEEE Transactions on Intelligent Transportation Systems, 2022.
版权所有:武汉大学多源智能导航实验室(微信公众号:i2Nav) 当前访问量: 技术支持:武汉楚玖科技有限公司