Skip to content

Latest commit

 

History

History
266 lines (133 loc) · 9.36 KB

File metadata and controls

266 lines (133 loc) · 9.36 KB

[TOC]

SLAM

001 什么是回环检测?

随着路径的不断延伸,机器人在建图过程中会存在一些累计误差,除了利用局部优化、全局优化等来调整之外,还可以利用回环检测来优化位姿。

什么是回环检测?

回环检测,又称闭环检测,是指机器人识别曾到达某场景,使得地图闭环的能力。说的简单点,就是机器人在左转一下,右转一下建图的时候能意识到某个地方是“我”曾经来过的,然后把此刻生成的地图与刚刚生成的地图做匹配。

img  

回环检测成功

回环检测之所以能成为一个难点,是因为:如果回环检测成功,可以显著地减小累积误差,帮助机器人更精准、快速的进行避障导航工作。而错误的检测结果可能使地图变得很糟糕。因此,回环检测在大面积、大场景地图构建上是非常有必要的 。

img 

回环检测失败

如何提升机器人回环检测能力?

那么,怎么才能让机器人的回环检测能力得到一个质的提升呢?首先要有一个算法上的优化。

基于图优化的SLAM算法

基于图优化的SLAM 3.0 算是提升机器人回环检测能力的一大突破。

SLAM 3.0采用图优化的方式进行建图,进行了图片集成与优化处理,当机器人运动到已经探索过的原环境时,SLAM 3.0可依赖内部的拓扑图进行主动式的闭环检测。当发现了新的闭环信息后,SLAM 3.0使用Bundle Adjuestment(BA)等算法对原先的位姿拓扑地图进行修正(即进行图优化),从而能有效的进行闭环后地图的修正,实现更加可靠的环境建图。

img

SLAM 3.0闭环检测

SLAM 3.0环路闭合逻辑:先小闭环,后大闭环 ;选择特征丰富的点作为闭环点;多走重合之路,完善闭环细节。即使在超大场景下建图,也不慌。

img

超大场景下建图完整闭合过程

词袋模型

除了SLAM算法的升级和优化之外,现在还有很多系统采用成熟的词袋模型方法来帮助机器人完成闭环,说的简单点就是把帧与帧之间进行特征比配。

1、从每幅图像中提取特征点和特征描述,特征描述一般是一个多维向量,因此可以计算两个特征描述之间的距离;

2、将这些特征描述进行聚类(比如k-means),类别的个数就是词典的单词数,比如1000;也可以用Beyes、SVM等;

3、将这些词典组织成树的形式,方便搜索。

img

利用这个树,就可以将时间复杂度降低到对数级别,大大加速了特征匹配。

相似度计算

这种做法是从外观上根据两幅图像的相似性确定回环检测关系,那么,如何确定两个地图之间的相关性呢?

比如对于图像A和图像B,我们要计算它们之间的相似性评分:s(A,B)。如果单单用两幅图像相减然后取范数,即为: s(A,B)=||AB||s(A,B)=||AB||。但是由于一幅图像在不同角度或者不同光线下其结果会相差很多,所以不使用这个函数。而是使用相似度计算公式。

这里,我们提供一种方法叫TF-IDF。

TF的意思是:某特征在一幅图像中经常出现,它的区分度就越高。另一方面,IDF的思想是,某特征在字典中出现的频率越低,则分类图像时的区分度越高。

对于IDF部分,假设所有特征数量为n,某个节点的Wi所含的数量特征为Ni,那么该单词的IDF为:

img

TF是指某个特征在单副图像中出现的频率。假设图像A中单词Wi出现了N次,而一共出现的单词次数是n,那么TF为:

img

于是Wi的权重等于TF乘IDF之积,即:

img

考虑权重以后,对于某副图像,我们可以得到许多个单词,得到BOW:

img

(A表示某幅地图)

如何计算俩副图像相似度,这里使用了L1范数形式:

img

深度学习及其他

除了上面的几种方式之外,回环检测也可以建成一个模型识别问题,利用深度学习的方法帮助机器人完成回环检测。比如:决策树、SVM等。

……

最后,当回环出现以后,也不要急着就让机器人停止运动,要继续保持运动,多走重合的路,在已经完成闭合的路径上,进一步扫图完善细节。

img 

继续走重合之路,完善闭环细节

所以,回环检测在SLAM中的作用也很重要哦。

参考资料

002 常用的回环检测方法有哪些?

  • TODO

003 介绍一下Gauss-Netwon和LM算法

  • TODO

004 介绍一下Ceres优化库,比如你使用过里面哪些内容?

  • TODO

005 描述(扩展)卡尔曼滤波与粒子滤波,你自己在用卡尔曼滤波时遇到什么问题没有?

  • TODO

006 除了视觉传感,还用过其他传感吗?比如GPS,激光雷达

  • TODO

007 什么是紧耦合、松耦合?优缺点

  • TODO

008 你认为室内SLAM与自动驾驶SLAM有什么区别?

  • TODO

009 地图点的构建方法有哪些?

TODO

010 如果对于一个3D点,我们在连续帧之间形成了2D特征点之间的匹配,但是这个匹配中可能存在错误的匹配。请问你如何去构建3D点?

  • TODO

011 RANSAC在选择最佳模型的时候用的metric是什么?

  • TODO

012 除了RANSAC之外,还有什么鲁棒估计的方法?

  • TODO

013 有哪几种鲁棒核函数?

  • TODO

014 3D地图点是怎么存储的?表达方式?

015 给你m相机n个点的bundle adjustment。当我们在仿真的时候,在迭代的时候,相机的位姿会很快的接近真值。而地图点却不能很快的收敛这是为什么呢?

  • TODO

016 LM算法里面那个 \lambda 是如何变化的呢?

  • TODO

017 说一下3D空间的位姿如何去表达?

  • TODO

018 介绍一下李群和李代数的关系

  • TODO

019 写出单目相机的投影模型,畸变模型

  • TODO

020 说一个自己熟悉的SLAM算法,Lidar/Visual slam,说优缺点

  • TODO

021 读Maplab,设计室内服务机器人地图更新的方法、流程

  • TODO

022 安装2D lidar的平台匀速旋转的时候,去激光数据畸变,写代码

  • TODO

023 给两组已经匹配好的3D点,计算相对位姿变换。已知匹配的ICP问题,写代码。

  • TODO

024 ORB-SLAM初始化的时候为什么要同时计算H矩阵和F矩阵?

  • TODO

025 说一下Dog-Leg算法

  • TODO

026 什么是边缘化?First Estimate Jacobian?一致性?可观性?

  • TODO

027 说一下VINS-Mono的优缺点

  • TODO

028 什么是Essential,Fundamental矩阵?

TODO

029 给定几个连续帧的带有位姿的帧,如何去测量车道线相对于世界坐标系的坐标。

  • TODO

030 在给定一些有噪声的GPS信号的时候如何去精准的定位?

  • TODO

031 如何标定IMU与相机之间的外参数?

  • TODO

032 给你xx误差的GPS,给你xx误差的惯导你怎么得到一个cm级别的地图?

  • TODO

033 计算H矩阵和F矩阵的时候有什么技巧呢?实际上在问归一化的操作

  • TODO

034 给一组点云,从中提取平面

  • TODO

035 给一张图片,知道相机与地面之间的相对关系,计算出图的俯视图

  • TODO

036 RGB-D的SLAM和RGB的SLAM有什么区别?

  • TODO

037 机器人从超市门口出发,前往3公里外的小区送货。请你设计一个定位系统,包括传感器的配置、算法的流程,用伪代码写出来

  • TODO

038 什么是ORB特征,ORB特征的旋转不变性是如何做的,BRIEF算子是怎么提取的。

  • TODO

039 如果把一张图像去畸变,写公式,流程

  • TODO

040 ORB-SLAM中的特征是如何提取的?如何均匀化的?

  • TODO

参考