论文笔记_SLAM_Simultaneous Localization And Mapping: A Survey of Current Trends in Autonomous Driving
目录
1 论文基本信息
2 看本篇论文目的
3 内容简介
3.1 主要内容
4 介绍与问题引出
4.1 车辆定位方式对比
4.1.1 GNSS(Global Navigation Satellite System)
4.1.2 道路基础设施
4.2 定位车辆的意义
4.3 SLAM要解决的问题
4.3.1 SLAM目前面临的问题
5 SLAM典型的解决方案
5.1 Filter-based SLAM
5.1.1 Extended Kalman Filter
5.1.2 Unscented Kalman Filter
5.1.3 Information Filter
5.1.4 Particle Filter
5.2 Optimization-based SLAM
5.2.1 Bundle Adjustment
5.2.2 Graph SLAM
5.3 Filter-based SLAM 对比 Optimization-based SLAM
5.4 一些标准数据集
5.5 KITTI中高排名的算法
5.6 自主驾驶中SLAM的一些评价标准
6 Relocalization and loop closure
6.1 描述与分类
6.2 自动驾驶中,常用“重定位和闭环检测”方法汇总
6.2.1 讨论与总结
6.3 自动驾驶中,在已构建的map中Localization方法汇总
6.3.1 讨论与总结
6.4 自动驾驶中,在现有(或未来)的map的Localization方法汇总
6.4.1 讨论与总结
7 MULTI-VEHICLE SLAM
7.1 概念与分类
7.2 讨论与总结
8 讨论和结论
9 经典论文
9.1 SLAM 综述相关文章
9.2 SLAM问题的发展
9.3 多种传感器融合的方法
9.4 BA算法的经典代表
9.5 Visual Odometry 系统介绍杂志
1 论文基本信息
- 出处:IEEE Transactions on Intelligent Vehicles (目前未进SCI)
- 年份:2017
- 作者:Guillaume Bresson, Zayed Alsayed, Li Yu and Sebastien Glaser
- Guillaume Bresson:Universite Blaise Pascal (UBP), France
- Li Yu :aerodynamics engineering from Northwestern Polytechnical University, Xian, China
2 看本篇论文目的
- 了解SLAM在自动驾驶中,发挥什么样的作用;
- JO答:SLAM可以为自动自动驾驶的可能贡献:
- 辅助定位(细颗粒尺度内,GPS失效时);
- 即时信息:在以高精度地图为基础的的前提下,抽取分析出即时的、现场的实际路况,为其他车辆提供参考。
- JO答:SLAM可以为自动自动驾驶的可能贡献:
- 发现值得研究的、感兴趣的问题;
- 知识面的拓展,不要过分深究细节。
3 内容简介
- SLAM, 在自动驾驶趋势下的一个survey。
3.1 主要内容
- 自动驾驶给了SLAM一个新的研究方向;
- 不同的SLAM技术分支介绍;
- 自动驾驶场景下,经典方法的局限性和应用标准;
- 单车SLAM和多车SLAM;
- 大场景下的一些自动驾驶经验;
- 总结讨论。
4 介绍与问题引出
SLAM在移动机器人领域,已经有多于25年的历史;
SLAM研究的问题:随之对周围环境增量式的重建,来定位机器人的位置。
4.1 车辆定位方式对比
4.1.1 GNSS(Global Navigation Satellite System)
- 缺点:
- 卫星信号,会受到难以预测的大气条件的影响;
- 基础设施可能会阻塞信号的直接接收,并产生多路干扰或非视距接收。
- 在人口稠密的城市地区,高楼大厦可以遮挡卫星信号。
- 优点:
- 在开放的道路上,GNSS通常表现得更好;
- RTK (RealTime Kinematic) GNSS,正在不断提高定位精度。
- 感想与对策-jo:
- GNSS定位大范围,SLAM定位小范围。
4.1.2 道路基础设施
- 如:道路标记或道路检测
- ADAS(Advanced Driver-Assistance Systems)已经将车道检测,整合到商用车辆中
- 缺点:
- 而这种方法主要限制了车辆的横向位置,足以用于道路容易识别的环境,例如高速公路;
- 但更复杂的环境(主要是城市,有十字路口、弯道等),并不总是提供足够的道路信息,来定位车辆。
- 纵向轴上所需的位置精度,比在笔直的高速公路环境中更重要。
- 缺点:
4.2 定位车辆的意义
- 是执行任何其他预测,或平面化任务(planification tasks)的基础功能。
- 预测道路上其他障碍物的变化;
- 选择最合适的机动方式。
4.3 SLAM要解决的问题
- SLAM框架,允许使用任何传感器或评估技术,同时评估车辆位置和地图。
- 当自动驾驶被视为一个整体时,地图是最重要的,因为它提供了做出适当决策,所需的第一层次的感知。
4.3.1 SLAM目前面临的问题
- localization(定位),往往会随着时间的推移而 drift(漂移);
- SLAM算法,给出的局部和增量定位估计,随着移动距离的增加,往往偏离真实轨迹。
- 如果没有先验知识或绝对信息,几乎不可能确保数公里内的准确定位。
- 地图不一定适用于每一种驾驶环境。
- 提供必要的信息,以确定车辆在不同季节、天气或交通状况下的位置。
- 人们设想了许多解决办法,解决上述问题:
- 例如,绘制一幅地图时仔细挑选有特征的信息,以便以后重用;
- 例如,利用新的通讯系统,以便分享和改进其他道路使用者绘制的地图。
5 SLAM典型的解决方案
- 定位的鲁棒性涉及到
- 数据提取
- 原始搜索[9]
- 数据关联[10]
- 地图存储和更新[11]
- 常汽车状态(vehicle state)有
- 2D位置
- 方向
- 6D姿态
- 速度
- 加速度等
- SLAM问题两种表示方式
- 1. full SLAM:在给定所有的控制输入,和所有的测量值的情况下估计整个汽车的轨迹和地图。
- 实时性很难,因为问题的复杂性,会随着所考虑的变量数量的增加而增加。
- 2. online SLAM:基于最后的传感器信息,估计车辆的当前位置。
- 1. full SLAM:在给定所有的控制输入,和所有的测量值的情况下估计整个汽车的轨迹和地图。
5.1 Filter-based SLAM
- 对应于迭代过程,因此适合用于 online SLAM
- 源于贝叶斯滤波,含两步迭代过程。
- 第一步,使用进化模型(evolution model)和控制输入,对车辆和地图进行状态预测;
- 第二步,将来自传感器的当前观测数据,与地图进行匹配,以便对之前预测的进行状态校正。
- 增量式地集成传感器数据,来估计车辆姿态和地图。
5.1.1 Extended Kalman Filter
- KFs假设数据,受到高斯噪声的影响,在实际情况下不一定是真的;
- KFs被设计用来处理线性系统,它们收敛性很好;
- Sonars声纳,是最早的使用EKF,用于水下应用的SLAM方法之一。
- 特性介绍:
- 扩展卡尔曼滤波器(EKF)[15]是非线性滤波的常用工具;
- 通过一阶泰勒展开,增加了一个线性化步骤;
- 只要围绕状态向量的真值进行线性化,可以达到EKF最优性;但正确的真值不容易得到。
- 不断增长的地图尺寸,使得EKF无法支持大规模的SLAM。
- 因为更新时间与状态向量的大小呈二次关系。
- 解决方案:
- 引入子地图的概念;
- 图结构,Atlas框架[30];
- 条件独立子地图[32];
- Compressed EKF SLAM[19]。
5.1.2 Unscented Kalman Filter
- 大部分工作发生在2000年前后[37][38];
- 避免了雅可比矩阵的计算;
- 其思想是对粒子进行采样,称为sigma点,这些点通过似然函数围绕期望值进行预测;
- 主要缺点:计算时间长。
5.1.3 Information Filter
- 卡尔曼滤波器的逆形式;
- 将信息矩阵定义为协方差矩阵的逆矩阵;
- 主要的优点
- 使更新步骤,变成了附加式的,而不依赖于观测值的顺序;
- 通过打破数据[42]之间的弱链接,来实现信息矩阵的稀疏化,这可以确保近乎恒定的更新时间;
- IF在 multi-vehicle SLAM 中得到了更多的利用。
- 缺点:
- 但IF在 mono-vehicle SLAM 中,没有EKF那么受欢迎[44][45][46]。
- 因为它需要把每一个测量,转换成它的逆形式,这可能是耗费时间和内存的。
- 但IF在 mono-vehicle SLAM 中,没有EKF那么受欢迎[44][45][46]。
5.1.4 Particle Filter
- 根据概率密度(probability density),用一组粒子进行状态采样;
- 对每个粒子的位移进行预测,并根据观测结果进行更新;
- 在更新阶段,根据测量值的可能性对粒子进行加权;
- 可能性最大的粒子被保留,其他粒子被排除,并生成新的粒子[3]。
- PFs的主要优点:不需要高斯噪声假设,可以适应任何分布。
- 缺点:
- 该方法直接应用SLAM很难的,因为每个地标都需要一组粒子。
- long-term inconsistency [53]
- 改进:
- 分布式粒子方法DP-SLAM[47]和DPSLAM 2.0[48],
- 使用最小的祖先树(a minimal ancestry tree),作为数据存储结构;
- 引导PF来实现快速更新,同时减少了PF的迭代次数。
- FastSLAM -- [49]最著名的PF算法
- 特性:
- 可以real-time[52];
- 可以通过将FastSLAM与一个IF相结合,来解决 long-term inconsistency的问题;
- 但是在计算上很复杂。
- Landmark的不确定性,由单元的占用概率表示,这使得地图的部分更新成为可能;
- 趋势:当使用视觉传感器[24],和具有激光数据的二维网格时,基于过滤的方法,现在倾向于依赖于3D点。
- 特性:
- 分布式粒子方法DP-SLAM[47]和DPSLAM 2.0[48],
- RADARs 在SLAM中的应用
- [61][62][63]中用基于过滤的方法;
- 然而,由于信号的噪声性质,它们在大规模实验中的应用仍然有限;
- 通常用于障碍物探测。
5.2 Optimization-based SLAM
- 通常由两个子系统组成:
- 第一个子系统,根据传感器数据,通过发现新观测值和地图之间的对应关系,来确定问题的约束条件;
- 第二个子系统,计算或改进车辆姿态(以及过去的姿态)和给定约束条件的地图,从而形成一个连贯的整体。
5.2.1 Bundle Adjustment
- 一种视觉技术,联合优化三维结构和相机参数(位姿);
- 早期的研究多集中在三维重建方面[64];
- 主要思想是优化,通常使用 Levenberg-Marquardt 算法[65](一个目标函数)。
- 缺点:
- 计算量太大,因为它同时考虑所有的变量,来优化。
- 改进:
- 在[66][67]中,提出了一种处理较小块的分层方法;
- 为了降低复杂性,在所有帧中选择或创建两个虚拟关键帧,来表示给定的部分;
- 这减少了要优化的变量的数量。
- 类似的方法已经在[68](E. Royer,2005)中应用于自主驾驶,定位结果准确,但需要离线地图。
- 在[69](D. Steedly,2001)中,提出了一种只对新信息进行增量优化的方法;
- 在[70](Z. Zhang,2003)中,作者在关键帧上使用滑动窗口,来局部最小化重投影误差;
- 在[66][67]中,提出了一种处理较小块的分层方法;
- 改进:
- 对于每一种优化技术,当给出一个良好的粗略估计时,BA是有效的。从这个意义上讲,过滤异常值是很重要的。
- 改进:
- Nister等[71]提出了一种基于 preemptive(抢占式) RANSAC[72]的选择方法。
- 在[11]中提出了一个 local bundle adjustment。
- 目标是在最后n帧点的2D重投影的基础上,局部优化最后n个摄像机位置。
- 利用机器学习方法,对双目标函数(视觉和惯性目标函数)的系数进行加权。
- 改进:
- 计算量太大,因为它同时考虑所有的变量,来优化。
5.2.2 Graph SLAM
- Bayesian SLAM的图形表示,特别适合通过优化方法,来解决问题。
- 一般情况下,非线性函数F(x;m),通常用局部近似来简化。
- 常用的方法有:
- Gauss-Newton (高斯-牛顿法);
- Levenberg-Marquardt (勒文伯格-马夸特法) ;
- Gauss-Seidel relaxation (高斯-塞德尔松弛法);
- gradient descent (梯度下降法)。
- 这些方法既可以通过优化整个轨迹进行工作,也可以通过小位移增量进行实时使用。
- 常用的方法有:
- ORO算法[76]
- 采用一种随机梯度下降变体,并在图中加入了一种新节点的参数化方法。
- manifold
- 另一种不同的想法是不考虑欧几里德空间,而是考虑流形;
- 在HOG-MAN[77]算法的基础上,提出了流形的层次优化;
- 最低级别表示原始数据,而最高级别表示环境的结构信息;
- 在g2o[78]中,利用海森矩阵的结构,来降低系统的复杂度进行优化;
- COP-SLAM[79]
- 采用姿态图;
- 考虑位移和相关的不确定性,来建立一个位姿链(a chain of poses)。
- TreeMap[80]
- 利用地图的树状结构,使地标的拓扑组更稀疏;
- 从而使信息矩阵更稀疏,从而加快了对n个地标的处理(O (log n))。
- iSAM (incremental And Mapping)[81][82]
- 没有利用图形结构,但简化了信息矩阵,加快了底层优化。
- 这里的目标是,稀疏信息矩阵的QR分解。
5.3 Filter-based SLAM 对比 Optimization-based SLAM
- 比较工作在[83]中提出,然后在[84]中扩展到 monocular 方法。
- 作者总结到“基于滤波器的SLAM框架,有利于应对较小的处理预算;而BA优化在其他方面较优。” [83]
- 结论:优化往往会给出更好的结果,对比于滤波的方法受线性化问题的限制。
5.4 一些标准数据集
5.5 KITTI中高排名的算法
- V-LOAM [105](J. Zhang and S. Singh,2015):“Visual-lidar Odometry and Mapping: Lowdrift, Robust, and Fast”
- 高排名定位方法;
- 结合visual odometry,和较慢的3D laser odometry,进行运动估计。
- SOFT [106] (Cvisi ˇ c and I. Petrovi ´ c,2015):“Stereo odometry based on careful feature selection and tracking,”
- 最好的stereo approach,采用视觉里程测量;基于细节的特征选择和跟踪;
- 在两幅图像中都提取了角状特征。通过SAD(绝对和),在小窗口内,查找对应差异。
5.6 自主驾驶中SLAM的一些评价标准
- Accuracy 准确度
- 理想情况下,精确度应始终低于阈值(通常约20厘米[109])。
- Scalability 可量测性
- 是指车辆处理大规模自动驾驶的能力。SLAM算法应该能够在固定的时间和固定的内存使用情况下工作;
- 例如,所构建和/或使用的地图,必须很 light (轻量级)
- (或存储在远程服务器上,并在运行中进行检索),以便在长距离中方便地使用。
- Availability 可用性
- 指SLAM算法的直接可用性。
- Recovery 自复位性
- 大型地图中定位车辆的能力
- 最初,车辆不知道它在哪里,并且在大多数情况下,需要一个专门的流程来大致了解它在地图上的位置;
- 或是一个从失败(被绑架的机器人问题)中恢复的方法。
- 大型地图中定位车辆的能力
- Updatability 可更新性
- 指确定地图与当前观测之间的永久变化
- 包括需要集成这些持久更改,而不是临时更改的更新策略;
- 长期自动驾驶需要地图更新的自动化。
- 指确定地图与当前观测之间的永久变化
- Dynamicity 动态性
- 指SLAM方法如何处理动态环境和变化
- 包括,可能定位估计扭曲化的,动态障碍;
- 它还集成了可以变化的天气条件,以及季节变化(树木落叶等)。
- 如:[142] T. Naseer, M. Ruhnke, C. Stachniss, L. Spinello, and W. Burgard, “Robust Visual SLAM Across Seasons,” in IEEE/RSJ International Conference on Intelligent Robots and Systems, 2015, pp. 2529–2535.
- 指SLAM方法如何处理动态环境和变化
6 Relocalization and loop closure
6.1 描述与分类
- 识别之前映射的位置,从而减少SLAM算法引起的漂移,被认为是SLAM的重要组成部分;
- 环路闭合(loop closure),最初被认为是一种纠正漂移(drift)的方法;
- 由于视觉信息的丰富性,大多数方法都使用摄像机来寻找 loop。
- Williams等人[131],将这些算法分为三类:
- Image-to-image methods [132]
- 闭环检测(loop detection),发生在传感器空间(sensor space )中。
- 基于视觉线索的 bag-of-words 方法[132][135]属于这一类;
- 这个想法是建立一个字典,每个单词代表相似的描述符。
- 闭环检测(loop detection),发生在传感器空间(sensor space )中。
- map-to-map methods [133]
- 仅基于map中包含的信息。这是GCBB算法(Geometric Constraint Branch and Bound 几何约束分支)的情况,在[143]中提出。
- 其原理是,定义地图中地标,对与当前观测值之间的几何约束。
- Image-to-map methods [134]
- 从传感器空间提取信息,并直接与地图进行比较。
- Image-to-image methods [132]
- Williams等人[131],将这些算法分为三类:
6.2 自动驾驶中,常用“重定位和闭环检测”方法汇总
6.2.1 讨论与总结
- 近年来,如何处理季节性或天气变化是一个研究重点。
- 即使看起来图像对图像的方法是受欢迎的,但是最近的方法,倾向于结合不同的方法来确保一个地方被正确识别。
6.3 自动驾驶中,在已构建的map中Localization方法汇总
6.3.1 讨论与总结
- 使用以前构建的地图,进行定位是很有意义的;
- 从以上分析来看,似乎要在有限的范围内,建立考虑永久性变化以及季节和天气的终身地图(life-long maps),仍然是一个挑战;
- 在准确性方面,即使显示了一些令人印象深刻的结果,也很难预测一种地图,在不同的环境中工作状态如何。
6.4 自动驾驶中,在现有(或未来)的map的Localization方法汇总
6.4.1 讨论与总结
- 从当前现有地图的定位方法的状态来看,它们还不能用于自动驾驶;
- 精度不够,即使是使用更精确的车道地图(手工构建)的算法,也无法达到临界精度(约20厘米[109])用于自动驾驶;
- 利用当前的数据库是一个不断发展的趋势;
- 作者倾向于关注一种特定类型的数据,并找到一个框架和一种能够同时利用所有可用资源的评估方法;
7 MULTI-VEHICLE SLAM
7.1 概念与分类
- 在世界范围内,为定位创建或利用地图是复杂的;
- 车辆之间的合作,可以改进现有地图,或简化大规模数据收集,以便进行适当的地图构建,来限制漂移和增强地;
- 存在两种系统:集中式方法和分散式方法。
- Centralized SLAM:
- 所有通信都指向一个实体,该实体在将结果发送回车辆之前,聚合和融合所有数据。
- Decentralized SLAM:
- 分散系统假设每辆车都能够在与车队其他车辆通信的同时,构建自己的分散地图;
- 这意味着必须控制信息流,以避免带宽拥堵和估计问题,而这类情况通常会发生。
- Centralized SLAM:
7.2 讨论与总结
- 多机器人SLAM方法,在自动驾驶上的成熟程度,在很大程度上取决于处理数据的方式;
- 未来的一个问题:未来的汽车将具备多大的带宽容量,但最重要的是汽车能否接入互联网;
- 将关键处理部分,完全移植到到云上,可能不够安全;
- 分散式(去中心化)SLAM:
- 在合理的时间内,更新从几辆车收集的地图,是一个有趣的前景;
- 地图中可能发生变化的部分进行实时更新,可能有助于无人驾驶汽车以更快的方式适应变化;
- 此外,低动态性的环境条件可以预先识别到,以便车辆通过选择更适合的特性来进行预测。
- 这也意味着一个主要的前景,仍然是软件架构的设计,能够处理数据流和适当的片段更新;
- 使基于云的在线方法可行的一个关键因素,是选择能够集成所有传入信息的地图表示形式。
- 此外,低动态性的环境条件可以预先识别到,以便车辆通过选择更适合的特性来进行预测。
- 使用完全分散的方法,共享相似的目标。
- 通过接收附近车辆的信息,自我车辆可以选择将哪些信息整合到自己的地图中。
- 因此,一个有趣的挑战是建立标准,来评估来自不同车辆的地图与自我车辆目标(目的地、能量约束等)之间的信息增益价值。
- 通过接收附近车辆的信息,自我车辆可以选择将哪些信息整合到自己的地图中。
- 集中式SLAM:
- 可能是目前较成熟的自动驾驶方法,主要原因是这一挑战非常接近于 multisession SLAM;
- 虽然未来的 HAD 地图,可能无法提供在各种情况下可靠地定位车辆所需的所有信息;
- 但可以事先,通过探测车,快速收集足够数据来构建此类地图。
- 但车辆探测长期变化的能力,也是一个值得关注的问题。
- 但可以事先,通过探测车,快速收集足够数据来构建此类地图。
- 限制地图数据量的增长,仍然是一个 blocking point;
- 一个相当大的挑战是,构建足够健壮的软件架构,来集成和处理所有这些数据。
- 这种基础设施的成本,决定了用这种方法对工业企业,进行大规模实验,而不是小规模的研究团队。
8 讨论和结论
未来的方向和剩下的挑战。
在第23届世界大会期间,举办的 localization competition,使用HERE提供的低分辨率的,地上物体和车道体素地图,参与者被要求提出一个准确的定位算法。比赛结束时,却没有赢家,因为都没有达到目标准确性。
- HAD地图,未来几年或将可用,目前还不清楚它是否会为定位算法,提供足够强大的先验知识。
- 这些map可以用作本地动态地图(Local Dynamic Map(LDM))的一部分。
- 由这些地图收集的静态和动态信息,可以供SLAM使用。
- 标准化是必要的,如[272] 欧洲电信标准协会 ETSI建议的标准。
- 传感器配置 ( sensor placement )
- 其对定位系统的性能,产生的影响巨大;
- 如,车顶上的激光雷达,将对周围基础设施有一个清晰的视图
- 并能避开大多数移动障碍,而底盘上的激光雷达可能会受到遮挡的影响。
- 定位所需的传感器的最小集合,也没有明确的定义(即使激光和照相机似乎更受欢迎)
- 这样的定义,应该与作为先验知识的地图表示一起制定。
- 传感器的成本也应考虑在内。
- 多模态 multi-modality
- 如,一张地图可以由昂贵的3D激光构建,但随后可以由一个简单的相机来使用。
- 其对定位系统的性能,产生的影响巨大;
- 构建灵活的体系结构
- 在这种体系结构中,决策系统可以根据具体环境,选择需要的传感器、探测器或地图。
- 具体环境 ( context )
- 目前开展的大部分工作都是室内定位;
- Chatila et al. in [274] 1985 提出语义(对象)地图可用于高层决策;
- 参考[278]:单目语义地图,将已知的物体整合到SLAM中;
- 参考 [279]:SLAM++,对象级别的SLAM;
- 户外环境中的语义SLAM,仍然是一个需要解决的挑战。
- 卷积神经网络
- 通过使用来自这些网络的特征图,来改变位置识别 (place recognition) 的方式;
- 可以构建图像语义mapping;
- 局限性:
- 目前处理对象,是移除移动的,或暂时静态的环境;
- 经典例子(Bojarski,2016)[282] :从相机获取的信息,直接应用于方向盘转向角。
- 其他
- 使用以前构建的,没有可伸缩性问题的map,这是一种长期测试它们,并使它们适应环境变化的好方法。
- 安全性
- 应考虑到故障,及故障对定位系统的影响。
9 经典论文
9.1 SLAM 综述相关文章
- [85] J. Aulinas, Y. Petillot, J. Salvi, and X. Llado, “The SLAM problem: a survey,” in 11th International Conference of the Catalan Association for Artificial Intelligence, 2008, pp. 363–371.
- [86] G. Dissanayake, S. Huang, Z. Wang, and R. Ranasinghe, “A Review of Recent Developments in Simultaneous Localization and Mapping,” in IEEE 6th International Conference on Industrial and Information Systems, 2011, pp. 477–482
- G. Ros, A. D. Sappa, D. Ponsa, and A. M. Lopez, “Visual SLAM for Driverless Cars: A Brief Survey,” in IEEE Intelligent Vehicles Symposium Workshops, 2012.
- S. Lowry, N. Sunderhauf, P. Newman, J. J. Leonard, D. Cox, P. Corke, ¨ and M. J. Milford, “Visual Place Recognition: A Survey,” IEEE Transactions on Robotics, vol. 32, no. 1, pp. 1–19, 2016.
- 研究问题:位置识别,动物王国中对位置的识别,当外观变换时怎样识别的问题。
9.2 SLAM问题的发展
- R. Smith and P. Cheeseman, “On the Representation and Estimation of Spatial Uncertainty,” The International Journal of Robotics Research, vol. 5, no. 4, pp. 56–68, 1986.
- SLAM问题的最初提出。
- J. J. Leonard and H. Durrant-Whyte, “Simultaneous Map Building and Localization for an Autonomous Mobile Robot,” in IEEE/RSJ International Conference on Intelligent Robots and Systems, 1991, pp. 1442–1447.
- SLAM问题的最初的清晰明确化 structuring works。
- SLAM的系统化介绍
- T. Bailey and H. Durrant-Whyte, “Simultaneous Localization and Mapping (SLAM): Part II,” IEEE Robotics and Automation Magazine, vol. 13, no. 3, pp. 108–117, 2006.
- T. Bailey and H. Durrant-Whyte, “Simultaneous Localization and Mapping: Part I,” IEEE Robotics and Automation Magazine, vol. 13,no. 2, pp. 99–110, 2006.
- SLAM最新的回顾,和目前的挑战
- C. Cadena, L. Carlone, H. Carrillo, Y. Latif, D. Scaramuzza, J. Neira, I. Reid, and J. J. Leonard, “Past, Present, and Future of Simultaneous Localization and Mapping: Toward the Robust-Perception Age,” IEEE Transactions on Robotics, vol. 32, no. 6, pp. 1309–1332, 2016.
9.3 多种传感器融合的方法
- P. Newman, D. Cole, and K. Ho, “Outdoor SLAM Using Visual Appearance and Laser Ranging,” in IEEE International Conference on Robotics and Automation, 2006, pp. 1180–1187
- 视觉与激光的耦合
- [128] R. C. Luo, C.-C. Yih, and K. L. Su, “Multisensor fusion and integration: approaches, applications, and future research directions,” IEEE Sensors Journal, vol. 2, no. 2, pp. 107–119, 2002
- 将信息融合分为三个层次:
- 原始数据——低层次;特征——中层次;对象——高层次。
- 将信息融合分为三个层次:
- [129] J. A. Castellanos, J. Neira, and J. D. Tardos, “Multisensor fusion for ´simultaneous localization and map building,” IEEE Transactions on Robotics and Automation, vol. 17, no. 6, pp. 908–914, 2001.
- 将激光与摄像机数据进行耦合(先进行激光估计,然后进行相机优化);融合效果达到 a landmark level。
- [130] L. Wei, C. Cappelle, and Y. Ruichek, “Camera/laser/GPS fusion method for vehicle positioning under extended NIS-based sensor validation,” IEEE Transactions on Instrumentation and Measurement, vol. 62,no. 11, pp. 3110–3122, 2013
- 根据信息相关性(information coherency)对摄像机、激光和GPS进行信息融合。
- [105] J. Zhang and S. Singh, “Visual-lidar Odometry and Mapping: Lowdrift, Robust, and Fast,” in IEEE International Conference on Robotics and Automation, 2015.
- 结合视觉和三维激光数据,产生低漂移算法。
- R. Chatila and J.-P. Laumond, “Position referencing and consistent world modeling for mobile robots,” in IEEE International Conference on Robotics and Automation, 1985, pp. 138–145.
- SLAM早期经典作品,室内定位,提出语义(对象)地图,用于高层决策。
- H. Zender, O. Mart´ınez Mozos, P. Jensfelt, G.-J. Kruijff, and W. Burgard, “Conceptual spatial representations for indoor mobile robots,”Robotics and Autonomous Systems, vol. 56, no. 6, pp. 493–502, 2008.
- 经典论文:提出了基于三种不同概念空间的,地图表示方法:metric(来自SLAM系统)、navigation(自由空间)和topological(门分隔区域之间的连接)。
- R. F. Salas-Moreno, R. A. Newcombe, H. Strasdat, P. H. J. Kelly, and A. J. Davison, “SLAM++: Simultaneous Localisation and Mapping at the Level of Objects,” in IEEE Conference on Computer Vision and Pattern Recognition, 2013, pp. 1352–1359.
- 经典论文,对象级别的SLAM。
- M. Bojarski, D. D. Testa, D. Dworakowski, B. Firner, B. Flepp, P. Goyal, L. D. Jackel, M. Monfort, U. Muller, J. Zhang, X. Zhang, J. Zhao, and K. Zieba, “End to End Learning for Self-Driving Cars,” CoRR, 2016 [282]
- 经典论文,高引用论文,训练了一个卷积神经网络(CNN),从相机获取的信息,直接应用于方向盘转向角。
9.4 BA算法的经典代表
- [64] B. Triggs, P. F. McLauchlan, R. I. Hartley, and A. W. Fitzgibbon, “Bundle Adjustment - A Modern Synthesis,” in Vision Algorithms: Theory and Practice. Springer, 2000, pp. 298–372.
- [65] W. Press, S. Keukolsky, W. Vettering, and B. Flannery, “LevenbergMarquardt Method,” Numerical Recipes in C: The Art of Scientific Computation, pp. 542–547, 1992.
- H.-Y. Shum, Q. Ke, and Z. Zhang, “Efficient Bundle Adjustment with Virtual Key Frames: A Hierarchical Approach to Multi-frame Structure from Motion,” in IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 1999.
- E. Mouragnon, M. Lhuillier, M. Dhome, F. Dekeyser, and P. Sayd, “Real Time Localization and 3D Reconstruction,” in IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2006, pp. 363–370.
- 提出 LBA (local bundle adjustment)
9.5 Visual Odometry 系统介绍杂志
- D. Scaramuzza and F. Fraundorfer, “Visual Odometry: Part I: The First 30 Years and Fundamentals,” IEEE Robotics & Automation Magazine, vol. 18, no. 4, pp. 80–92, 2011
- F. Fraundorfer and D. Scaramuzza, “Visual Odometry: Part II: Matching, RobuRobust, Optimization, and Applications,” IEEE Robotics & Automation Magazine, vol. 19, no. 2, pp. 78–90, 2012.
论文笔记_SLAM_Simultaneous Localization And Mapping: A Survey of Current Trends in Autonomous Driving相关推荐
- SLAM综述阅读笔记二:Simultaneous Localization and Mapping: A Survey of Current Trends in Autonomous(2017)
转自[第八篇 SLAM:自动驾驶当前趋势综述 - 知乎] 说明该总结主要是针对自动驾驶 <Simultaneous Localization And Mapping: A Survey of C ...
- 论文理解 A Survey on Trajectory-Prediction Methods for Autonomous Driving
标题:A Survey on Trajectory-Prediction Methods for Autonomous Driving 链接:[A Survey on Trajectory-Predi ...
- Semantic Visual Simultaneous Localization and Mapping: A Survey阅读笔记
Abstract: 通过语义和vslam结合可以很好解决动态和复杂环境中良好定位. 首先回顾了语义vslam发展,关注优势和差异. 其次探讨了:语义信息提取和关联.语义的应用和语义的优势 然后收集分析 ...
- Semantic Visual Simultaneous Localization and Mapping A Survey
基于视觉传感器的SLAM,又称视觉SLAM(visual SLAM),因其硬件成本低.小场景精度高.能获取丰富的环境信息等优点,近年来成为热门的研究方向. VSLAM的缺点也很明显.一方面,在应对光线 ...
- 论文笔记 Deep Facial Expression Recognition: A Survey深度面部表情识别调查
论文链接:https://arxiv.org/abs/1804.08348 面部表情是人类传达其情感状态和意图的最强烈,最自然和最普遍的信号之一.下图是面部表情识别数据库和方法的进化过程,由传统的Ha ...
- 论文笔记4:GIS-based mapping of Local Climate Zone in the high-density city of Hong Kong
GIS-based mapping of Local Climate Zone in the high-density city of Hong Kong urban morphology analy ...
- 【论文阅读】GRI: General Reinforced Imitation and its Application to Vision-Based Autonomous Driving
Column: December 30, 2021 11:01 PM Last edited time: January 10, 2022 4:45 PM Sensor/组织: 3 RGB; 曾经短暂 ...
- Autonomous Driving in Adverse Weather Conditions: A Survey - 恶劣天气条件下的自动驾驶:一项调查 (arXiv 2021)
Autonomous Driving in Adverse Weather Conditions: A Survey - 恶劣天气条件下的自动驾驶:一项调查(arXiv 2021) 摘要 1. 引言 ...
- 《Deep Reinforcement Learning for Autonomous Driving: A Survey》笔记
B Ravi Kiran , Ibrahim Sobh , Victor Talpaert , Patrick Mannion , Ahmad A. Al Sallab, Senthil Yogama ...
- A Survey of Simultaneous Localization and Mapping 论文精读笔记
A Survey of Simultaneous Localization and Mapping 南洋理工大学,武汉大学,2019.10.12 这是南洋理工大学的一篇关于SLAM的综述.(好像是赵俊 ...
最新文章
- VMware 虚拟化编程(14) — VDDK 的高级传输模式详解
- NLP类别不均衡问题之loss大集合
- 网易云音乐一键听歌300首_网易云打卡,一键听歌300首。
- SVD 与 PCA 的直观解释(1): 线性变换
- Nginx官网提供的版本类型
- The application could not be installed: INSTALL_FAILED_INSUFFICIENT_STORAGE
- 灰色关联分析_(案例)相关分析之灰色关联度
- SLAM十四讲中的第五讲点云拼接
- 镜像神经元训练方法图解,镜像神经元怎么训练
- excel的sumif()函数和sumifs()函数
- 人工智能研究中心快递柜——代码分析九
- 小程序—这款工具把加速计、陀螺仪、设备方向的调试痛点解决了
- 基于51单片机自动数字电压表PCF8591 TLC2543 TL548 proteus仿真汇编程序设计
- Exynos_4412——RTC实验
- 非正式纳新题解(C语言)
- 论文笔记:联邦学习——Federated Learning: Challenges, Methods, and Future Directions
- C# 文字转换最简单的方法
- python爬虫天猫商品数据及分析(4)
- Java的方式生成条形码
- 【CCF】——中间数(详细分析)