SLAM算法中的地图构建问题

早期的SLAM假设真实的世界可以被理所应当的建模成一个由简单离散的路标构成的集合，这些路标通过一些几何特征，例如点、线或者圆圈来表示。在更加复杂且没有结构的环境里，室外的，地下的，海里的，这一假设通常不能够成立。

部分可观测性与延迟建图

环境建模取决于环境的复杂性和传感模式的限制。声呐和视觉是两种共同的例子。声呐传感器通常带来精确的斜距测量但是具有大的波束宽度和旁瓣，这使得方位角估计不可用[J.J. Leonard and H.F. Durrant-Whyte, Directed Sonar Sensing for Mobile Robot Navigation. Norwell, MA: Kluwer, 1992.]。来自单摄像头的测量，在另一方面，提供了方位角信息但没有一个精确的斜距测量。

仅有斜距的传感器[J.J. Leonard and R.J. Rikoski, “Incorporation of delayed decision making into stochastic mapping,” in Experimental Robotics VII, D. Rus and S. Singh, Eds. New York: Springler Verlag, 2001][J.J. Leonard, R.J. Rikoski, P.M. Newman, and M.C. Bosse, “Mapping partially observable features from multiple uncertain vantage points,” Int. J. Robot. Res., vol. 21, no. 10–11, pp. 943–975, 2002]和仅有方位角的传感器[T. Bailey, “Constrained initialisation for bearing-only SLAM,” in Proc. IEEE Int. Conf. Robotics Automation, 2003, pp. 1966–1971][M. Deans and M. Hebert, “Experimental comparison of techniques for localization and mapping using a bearing-only sensor,” in Experimental Robotics VII, D. Rus and S. Singh, Eds. New York: Springler Verlag, 2001.]的SLAM展示了约束一个路标位置仅用单个传感器是不充分的。在某种程度上，必须从多个有利的位置来观察，如图5所示。更精确的说，单次测量产生了对路标位置的一个非高斯分布，需要多次的测量来获得一次估计。广义分布，例如混合模型，允许立即非延迟的路标跟踪[J. Sola`, A. Monin, M. Devy, and T. Lemaire, “Undelayed initialization in bearing only SLAM,” in Proc. IEEE/RSJ Int. Conf. Intelligent Robots Systems, 2005, pp. 2751–2756.]。获得一个高斯路标估计的方法是延迟初始化，相反，并累积原始测量数据。为了允许一致性延迟融合，对每次延迟测量记录机器人位姿是必须的。因此，SLAM状态被记录的位姿估计增强

$\mathbf{x}_{k}=[\mathbf{x}_{vk}^{T},\mathbf{x}_{vk-1}^{T},...,\mathbf{x}_{vk-n}^{T},\mathbf{m}^{T}]^{T}$ (14)

并且相应的测量被存储在一个辅助的列表里 $\left \{ \mathbf{z}_{k},...,\mathbf{z}_{k-n} \right \}$ 。经过一个周期n一旦充足的信息被搜集，通过批量更新一个路标被初始化。记录的没有任何其它关联的测量位姿然后被从状态简单的移除。

延迟的组合解决了不仅仅是部分的可观察性。其通过累计信息和允许延迟做决定对于增加鲁棒性的概念是普遍的。假设一个累计的数据集，一个改进的估计可以被获取通过执行批量更新，例如集束调整[]或者迭代平滑，其戏剧性的降低了线性化误差。延迟数据也促进了分配验证门限，因此，辅助可靠的数据关联。

非几何地标

当EKF-SLAM经常被用到几何地标时（经常被错误命名为联合路标），附加一个坐标系帧到一个任意的目标简单的权宜之计是允许同样的方法被应用到多的多的一般的地标描述。最近Nieto[J. Nieto, T. Bailey, and E. Nebot, “Scan-SLAM: Combining EKFSLAM and scan correlation,” in Proc. Int. Conf. Field Service Robotics, 2005.]等的贡献展示了任意形状的路标可以通过EKF-SLAM来调解地标定位并独立于形状参数的估计。

由形状模型描述的路标，该模型具有增强的定义了路标原点的坐标系帧，如图6(a)所示。该模型对于SLAM过程是辅助性的且可能有任何允许数据增强的表述。当机器人观测路标时，形状模型通过观测数据对齐，如图6(b)所示。假设这个对齐近似地为高斯的，在模型坐标系帧中的机器人中心估计是适用于EKF-SLAM更新的观测，这里地标帧定位组成了地图如图6(c)所示。

3-D SLAM

在3维空间中实现SLAM，在原则上，是二维情况上的直接扩展。然而，由于更一般的机器人运动模型，它涉及到显著增加的复杂性，且，更重要的是，极大的增加了感知和特征模型的复杂度。

存在有三种基本的三维SLAM的形式。第一种是简单的2-D SLAM再加上额外的第3维的地图构建兼容性，例如，基于水平激光的SLAM和另一个正交的激光构图垂直的切片[I. Mahon and S. Williams, “Three-dimensional robotic mapping,” in Proc. Australasian Conf. Robotics Automation, 2003.][S. Thrun, W. Bugard, and D. Fox, “A real-time algorithm for mobile robot mapping with applications to multi-robot and 3D mapping,” in Proc. Int. Conf. Robotics Automation, 2000, pp. 321–328.]。这种方法在机器人运动在一个平面内时是合适的。第二种形式是一种2-D SLAM直接扩展到三维的形式，即对离散地标和地图与机器人位姿的联合估计的提取。这已被Davison等[A.J. Davison, Y.G. Cid, and N. Kita, “Real-time 3D SLAM with wide-angle vision,” in Proc. IFAC/EURON Symp. Intelligent Autonomous Vehicles, 2004.]通过单目视觉传感实现，其允许六自由度的运动（查看[J. Kim and S. Sukkarieh, “Autonomous airborne navigation in unknown terrain environments,” IEEE Trans. Aerosp. Electron. Syst., vol. 40, no. 3, pp. 1031–1045, 2004.]关于空中的应用）。第三种形式涉及一个完全不同的SLAM表述方法，这里联合状态由过去的机器人位姿[R. Eustice, H. Singh, J. Leonard, M. Walter, and R. Ballard, “Visually navigating the RMS Titanic with SLAM information filters,” in Proc. Robotics: Science and Systems, 2005.][P. Newman, D. Cole, and K. Ho, “Outdoor SLAM using visual appearance and laser ranging,” in Proc. IEEE Int. Conf. Robotics Automation, 2006]组成。在每个位姿，机器人包含了对环境的3维扫描，位姿的估计通过纠正扫描对齐。

轨迹导向的SLAM

标准的SLAM表述形式，正如本教程的Part I描述的，定义了作为机器人位姿和一系列观测的地标的估计状态。

$\mathbf{x}_{k}=[\mathbf{x}_{vk}^{T},\mathbf{m}^{T}]^{T}$ (15)

SLAM问题的一个替代的形式，其在最近获得了欢迎，是估计机器人轨迹来替代了。

$\mathbf{x}_{k}=[\mathbf{x}_{vk}^{T},\mathbf{x}_{vk-1}^{T},...,\mathbf{x}_{v1}^{T}]^{T}$ (16)

这种形式特别的适合于离散的可识别的地标不容易被识别的地方，且与感知的更简单或者更可靠的数据直接对齐。注意到地图不再是要估计的状态的一部分了，取而代之的是辅助数据集的形式。的确，SLAM问题的这一形式没有明确的地图；当然，每个位姿的估计具有一个关联的对传感数据的扫描，这些数据用来对齐形成一个全局地图。图7显示了这一方法形式[P. Newman, D. Cole, and K. Ho, “Outdoor SLAM using visual appearance and laser ranging,” in Proc. IEEE Int. Conf. Robotics Automation, 2006]的一个例子。

FastSLAM算法也可以被认为是一个轨迹估计的例子，每个粒子定义了一个特殊的轨迹假设。近来一些FastSLAM混合体利用位姿对齐扫描或者网格来替换地标地图[A.I. Eliazar and R. Parr, “DP-SLAM 2.0,” in Proc. IEEE Int. Conf.Robotics Automation, 2004, pp. 1314–1320.][G. Grisetti, C. Stachniss, and W. Burgard, “Improving gridbased SLAM with Rao-Blackwellized particle filters by adaptive proposals and selective resampling,” in Proc. IEEE Int. Conf. Robotics Automation, 2005, pp. 667–672.][D. Ha¨hnel, W. Burgard, D. Fox, and S. Thrun, “An efficient fastSLAM algorithm for generating maps of large-scale cyclic environments from raw laser range measurements,” in Proc. IEEE/RSJ Int. Conf. Intelligent Robots Systems, 2003, pp. 206–211]。另一个基于轨迹的SLAM变体开发出了拓扑的建图方法[F. Lu and E. Milios, “Globally consistent range scan alignment for environment mapping,” Autom. Robots, vol. 4, no. 6, pp. 333–349,1997.]，即位姿以一种图形网络相连而不是联合状态向量。这一框架，被称为一致性位姿估计(CPE)[J.S. Gutmann and K. Konolige, “Incremental mapping of large cyclic environments,” in Proc. IEEE Int. Symp. Computational Intelligence Robotics Automation, 1999, pp. 318–325.][K. Konolige, “Large-scale map-making,” in Proc. Nat. Conf. AI (AAAI), 2004, pp. 457–463]，是一种有希望替代状态空间SLAM的方法并有能力构建大尺度的地图。稀疏信息形式的SLAM的到来导致了第三种基于轨迹的SLAM[F. Dellaert, “Square root SAM: Simultaneous location and mapping via square root information smoothing,” in Proc. Robotics: Science and Systems, 2005.][R.M. Eustice, H. Singh, and J.J. Leonard, “Exactly sparse delayed-state filters,” in Proc. IEEE Int. Conf. Robotics Automation, 2005, pp. 2417–2424][P. Newman, D. Cole, and K. Ho, “Outdoor SLAM using visual appearance and laser ranging,” in Proc. IEEE Int. Conf. Robotics Automation, 2006]，其通过式(16)的稀疏估计实现。

轨迹SLAM具有许多积极的特点，这些都有注意事项。最重要的是，它的状态空间随着时间的增长是没有边界的，存储的测量数据的量也是一样。对于时间非常长的SLAM，聚集数据到一个类似于常规SLAM地图的格式来限制存储代价终将是必要的。

嵌入式辅助信息

基于轨迹的SLAM有助于表示空间位置信息。除了地图的扫描数据，与每个位姿关联辅助信息是可能的，例如，土壤盐度，湿度，温度，或者地形特征。关联的信息可能被用于辅助建图，为了辅助数据关联，或者为了与地图任务不相关的目的，例如路径规划或者数据收集。

嵌入式辅助数据的概念更难与常规SLAM框架合并。SLAM状态由离散的地标位置组成且不适合表达稠密空间信息的任务。Nieto等人[J. Nieto, J. Guivant, and E. Nebot, “The hybrid metric maps (HYMMs): A novel map representation for DenseSLAM,” in Proc. IEEE Int. Conf. Robotics Automation, 2004, pp. 391–396]提出了一种叫做稠密SLAM的方法来允许这样的嵌入。当机器人移动经过环境，辅助信息以一种合适的数据结构被搜集，例如一个充满网格的，通过每个网格单元表达的该区域由一系列位于SLAM地图中的局部地标决定。随着地图逐渐演变，路标移动，相应地，局部的网格区域发生偏移和扭曲。通过使用SLAM地标估计，其结果是能一致的维持空间的稠密辅助信息位置。

动态环境

真实的环境并非都是静态的。其包含了移动的目标，例如行人，在某一时间段内是静止的但随后又被移动的临时结构，例如椅子和停住的汽车。在动态的环境中，SLAM算法必须以某种方式处理移动的目标。其可以探测或者忽略他们，或者作为一个运动地标跟踪他们，但不能添加一个动态目标到地图中并假设它是静止的。

常规的SLAM方法是高度冗余的。可以在不损失一致性的情况下将地标从地图中移除，在只小的改变收敛速率[G. Dissanayake, H. Durrant-Whyte, and T. Bailey, “A computationally efficient solution to the simultaneous localisation and map building (SLAM) problem,” in Proc. IEEE Int. Conf. Robotics Automation, 2000, vol. 2, pp. 1009–1014]的情况下移除大量的地标往往是可能的。这一特点被利用到保持一个同步地图中，其通过移除由于环境[T. Bailey, “Mobile robot localisation and mapping in extensive outdoor environments,” Ph.D. dissertation, Univ. Sydney, Australian Ctr. Field Robotics, 2002.]变化已过时的地标。为了直接管理移动的目标，Ha¨hnel等人[D. Ha¨hnel, R. Triebel, W. Burgard, and S. Thrun, “Map building with mobile robots in dynamic environments,” in Proc. IEEE Int. Conf. Robotics Automation, 2003, pp. 1557–1563.]运用一个辅助识别程序然后在发送到他们的SLAM算法中时从数据扫描中移除动态的信息。相反地，Wang等人[C.C. Wang, C. Thorpe, and S. Thrun, “On-line simultaneous localisation and mapping with detection and tracking of moving objects,” in Proc. IEEE Int. Conf. Robotics Automation, 2003, pp. 2918–2924]添加移动目标到他们的估计状态中并提供了追踪静态和动态目标的模型。由于加入了预测性模型，移动和静态路标的同步估计代价非常高。因为这个原因，实现的方法首先涉及到静态SLAM的更新紧接着是独立追踪移动的目标。

SLAM：将向何方？

SLAM方法为任意自主机器人的建图和定位关键能力提供了一个解决方案。特别是在最近10多年里，已有了大量的关于我们对SLAM问题的理解和开发高效，一致和鲁棒的SLAM算法的进步。标准的SLAM状态空间方法现在被很好的理解了，关于表述，计算量，和关联的重大问题似乎已被解决。信息形式的SLAM问题在大尺度建图方面具有重大的未开发的潜力，以及在涉及多机器人和潜在的传感器网络和动态的地标的混合环境的问题方面。延迟数据融合概念补充了批量关联和迭代平滑来改善估计质量和鲁棒性。外观和基于位姿的SLAM方法提供了一个完全新的范式来建图和定位估计，同时不需要强几何地标描述。这些方法打开了新的研究方向并把机器人感知的基本原理联系起来。

SLAM的重大挑战在于更大更有说服力的实现和证明。当然进步已经足够多了，许多环境的规模和结构被限制了。现在的挑战是在机器人技术确实可以做出贡献大的问题中证明SLAM方法：在树林下驾驶数百公里或者在没有GPS资源的情况下在整个城市中建图，为了证实真正的自主定位和建图结构，例如大堡礁或者火星表面。SLAM让这些可能性更近了一步。