Outlier-Robust Long-Term Robotic Mapping Leveraging Ground Segmentation
作者: Hyungtae Lim
分类: cs.RO, cs.CV
发布日期: 2024-05-18 (更新: 2024-05-27)
备注: RSS Pioneers 2024 Research Statement
💡 一句话要点
提出基于地面分割的鲁棒长期机器人建图方法，解决环境变化和动态物体干扰问题。
🎯 匹配领域: 支柱六：视频提取与匹配 (Video Extraction)
关键词: 机器人建图 长期SLAM 地面分割 异常值鲁棒性 GNC优化
📋 核心要点
- 现有基于学习的SLAM方法在未训练场景中容易失效，且真实环境的动态性导致定位和路径规划受阻。
- 论文提出结合地面分割和GNC优化的鲁棒配准方法，以及分层多会话SLAM，提升系统对异常值的抵抗能力。
- 通过地面分割剔除无用特征点，并利用实例感知的静态地图构建方法处理移动物体，提高地图质量。
📝 摘要（中文）
本文提出一种鲁棒的长期机器人建图系统，旨在解决深度学习感知技术和SLAM在机器人遇到未建模场景时的失效问题。该系统首先提出快速鲁棒的地面分割方法，用于剔除无特征的地面点，从而提高定位和建图的准确性。然后，利用Graduated Non-Convexity (GNC) 的概念，提出基于地面分割的鲁棒配准方法，克服特征匹配结果中的粗大异常值。此外，还提出分层多会话SLAM，该方法不仅使用基于GNC的配准，还采用GNC求解器，以增强对异常循环候选的鲁棒性。最后，提出基于实例的静态地图构建方法，该方法基于城市环境中大多数移动物体都与地面接触的观察结果，从而处理环境中移动物体的存在。
🔬 方法详解
问题定义：现有基于深度学习的SLAM方法在面对未知的、动态变化的环境时，容易出现灾难性错误。真实环境中，移动物体和环境随时间的变化会产生大量异常值，严重影响定位和建图的精度和鲁棒性。因此，需要一种无需大量训练数据，且能有效处理异常值的长期建图方法。
核心思路：论文的核心思路是利用地面分割来减少特征匹配中的噪声，并结合Graduated Non-Convexity (GNC) 优化方法来增强系统对异常值的鲁棒性。通过地面分割，可以剔除大量无特征的地面点，从而减少特征匹配的计算量和误匹配的概率。GNC优化方法则可以逐步优化非凸问题，从而避免陷入局部最优解，提高配准的精度和鲁棒性。
技术框架：该系统主要包含四个模块：1) 快速鲁棒的地面分割模块，用于剔除地面点；2) 基于GNC的鲁棒配准模块，用于优化相邻帧之间的位姿关系；3) 分层多会话SLAM模块，用于构建全局一致的地图；4) 基于实例的静态地图构建模块，用于移除地图中的动态物体。整个流程首先进行地面分割，然后利用分割后的点云进行特征匹配和GNC优化，构建局部地图。接着，利用分层多会话SLAM将多个局部地图合并成全局地图。最后，利用实例感知的静态地图构建方法移除地图中的动态物体。
关键创新：该论文的关键创新在于将地面分割和GNC优化方法结合起来，用于解决长期建图中的异常值问题。传统的SLAM方法通常采用RANSAC等方法来处理异常值，但这些方法在异常值比例较高时容易失效。GNC优化方法则可以更有效地处理高比例的异常值，从而提高配准的精度和鲁棒性。此外，论文还提出了基于实例的静态地图构建方法，可以有效地移除地图中的动态物体。
关键设计：地面分割模块采用基于几何特征的分割方法，速度快且鲁棒性高。GNC优化模块采用Huber损失函数作为鲁棒损失函数，并逐步减小Huber损失函数的参数，从而实现从凸优化到非凸优化的过渡。分层多会话SLAM模块采用关键帧机制来减少计算量，并采用GNC优化方法来优化全局位姿图。实例感知的静态地图构建模块则利用移动物体与地面接触的特性，通过检测地面上的移动物体来移除地图中的动态部分。
🖼️ 关键图片
📊 实验亮点
论文提出的方法在真实数据集上进行了验证，结果表明，该方法能够有效地处理异常值，提高配准的精度和鲁棒性。与传统的SLAM方法相比，该方法在异常值比例较高的情况下，能够获得更高的定位精度和更完整的地图。此外，该方法还能够有效地移除地图中的动态物体，从而构建更干净、更准确的静态地图。
🎯 应用场景
该研究成果可应用于各种需要长期自主导航的机器人应用场景，例如：长期自主巡逻机器人、仓库物流机器人、以及自动驾驶汽车等。通过构建鲁棒的长期地图，机器人可以在复杂和动态的环境中可靠地定位和导航，从而提高其自主性和适应性。此外，该方法还可以用于构建高精度的城市三维地图，为城市规划和管理提供支持。
📄 摘要（原文）
Despite the remarkable advancements in deep learning-based perception technologies and simultaneous localization and mapping (SLAM), one can face the failure of these approaches when robots encounter scenarios outside their modeled experiences (here, the term modeling encompasses both conventional pattern finding and data-driven approaches). In particular, because learning-based methods are prone to catastrophic failure when operated in untrained scenes, there is still a demand for conventional yet robust approaches that work out of the box in diverse scenarios, such as real-world robotic services and SLAM competitions. In addition, the dynamic nature of real-world environments, characterized by changing surroundings over time and the presence of moving objects, leads to undesirable data points that hinder a robot from localization and path planning. Consequently, methodologies that enable long-term map management, such as multi-session SLAM and static map building, become essential. Therefore, to achieve a robust long-term robotic mapping system that can work out of the box, first, I propose (i) fast and robust ground segmentation to reject the ground points, which are featureless and thus not helpful for localization and mapping. Then, by employing the concept of graduated non-convexity (GNC), I propose (ii) outlier-robust registration with ground segmentation that overcomes the presence of gross outliers within the feature matching results, and (iii) hierarchical multi-session SLAM that not only uses our proposed GNC-based registration but also employs a GNC solver to be robust against outlier loop candidates. Finally, I propose (iv) instance-aware static map building that can handle the presence of moving objects in the environment based on the observation that most moving objects in urban environments are inevitably in contact with the ground.