Transformation & Translation Occupancy Grid Mapping: 2-Dimensional Deep Learning Refined SLAM

📄 arXiv: 2504.19654v1 📥 PDF

作者: Leon Davies, Baihua Li, Mohamad Saada, Simon Sølvsten, Qinggang Meng

分类: cs.RO, cs.AI, cs.LG

发布日期: 2025-04-28

备注: 12 pages, preprint, submitted to Robotics And Autonomous Systems

💡 一句话要点

提出TT-OGM，利用深度学习优化2D SLAM，提升复杂场景下Occupancy Grid Map质量。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 2D SLAM Occupancy Grid Mapping 深度学习 生成对抗网络 深度强化学习 姿态估计 误差校正

📋 核心要点

  1. 现有2D SLAM在大型复杂环境中受里程计漂移和姿态估计误差影响，导致地图质量下降。
  2. 提出TT-OGM，将3D SLAM的姿态估计技术引入2D，并利用GAN进行误差校正，提升地图质量。
  3. 通过深度强化学习生成数据训练GAN，并在真实数据和大规模2D occupancy map上验证了算法的有效性。

📝 摘要（中文）

SLAM（Simultaneous Localisation and Mapping）是机器人系统的关键组成部分，它提供环境地图、当前位置和机器人之前的轨迹。虽然3D LiDAR SLAM近年来取得了显著的进步，但2D SLAM相对滞后。里程计的逐渐漂移和姿态估计的不准确性阻碍了现代2D LiDAR里程计算法在大型复杂环境中的应用。动态机器人运动与固有的基于估计的SLAM过程相结合，会引入噪声和误差，从而降低地图质量。Occupancy Grid Mapping (OGM) 产生的结果通常是嘈杂和不清晰的，因为基于证据的映射根据不确定的观测来表示地图。因此，OGM在探索或导航任务中非常受欢迎。然而，这也限制了OGM在特定于地图的任务中的有效性，例如复杂场景中的平面图创建。为了解决这个问题，我们提出了新的Transformation and Translation Occupancy Grid Mapping (TT-OGM)。我们调整并实现了来自3D SLAM的精确和鲁棒的姿态估计技术到2D领域，并利用生成对抗网络（GAN）减轻误差，从而提高地图质量。我们引入了一种通过深度强化学习（DRL）的新型数据生成方法，以构建足够大的数据集来训练用于SLAM误差校正的GAN。我们在拉夫堡大学收集的数据上实时演示了我们的SLAM。我们还在一系列大型复杂环境中的大规模知名2D occupancy map上证明了其通用性。我们的新方法能够在复杂场景中创建高质量的OGM，在质量、准确性和可靠性方面远远超过当前SLAM算法的能力。

🔬 方法详解

问题定义：论文旨在解决2D SLAM在复杂环境中构建高质量Occupancy Grid Map (OGM) 的问题。现有2D SLAM算法受里程计漂移和姿态估计误差的影响，导致OGM质量不高，难以满足平面图创建等特定任务的需求。现有方法难以有效处理动态环境和噪声，导致地图模糊和不准确。

核心思路：论文的核心思路是将3D SLAM中成熟的姿态估计技术引入到2D SLAM中，并利用深度学习方法（GAN）对SLAM过程中的误差进行校正，从而提高OGM的质量。通过结合几何方法和深度学习，可以有效抑制噪声和误差，提升地图的准确性和清晰度。

技术框架：TT-OGM的整体框架包含以下几个主要模块：1) 基于2D LiDAR数据的里程计估计；2) 利用3D SLAM姿态估计技术进行姿态优化；3) 使用深度强化学习生成训练数据；4) 训练GAN进行误差校正；5) 构建最终的Occupancy Grid Map。整个流程首先利用里程计进行初步的姿态估计，然后通过姿态优化模块进行精细调整，接着利用GAN对误差进行校正，最后生成高质量的OGM。

关键创新：论文最重要的技术创新点在于将3D SLAM的姿态估计技术成功应用于2D SLAM，并结合GAN进行误差校正。此外，论文还提出了一种基于深度强化学习的数据生成方法，用于训练GAN。这种数据生成方法能够有效地生成足够多的训练数据，从而提高GAN的性能。与现有方法相比，TT-OGM能够更有效地抑制噪声和误差，从而生成更高质量的OGM。

关键设计：论文的关键设计包括：1) 姿态优化模块中使用的3D SLAM姿态估计技术的具体实现细节；2) GAN的网络结构和损失函数的设计；3) 深度强化学习数据生成方法的奖励函数和状态空间的设计。具体而言，GAN可能采用U-Net结构，损失函数可能包括对抗损失和内容损失。深度强化学习数据生成方法的奖励函数需要能够反映地图的质量，例如清晰度和准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文在拉夫堡大学收集的真实数据以及大规模2D occupancy map数据集上进行了实验验证。实验结果表明，TT-OGM能够生成比现有SLAM算法更高质量的OGM。具体性能提升数据未知，但论文强调在质量、准确性和可靠性方面均超越了现有算法。

🎯 应用场景

该研究成果可应用于机器人导航、室内地图构建、平面图创建、以及自动驾驶等领域。高质量的Occupancy Grid Map能够为机器人提供更准确的环境信息，从而提高导航和定位的精度。此外，该技术还可以用于构建高精度的室内地图，为智能家居、虚拟现实等应用提供支持。未来，该技术有望在更广泛的领域得到应用，例如智慧城市、智能物流等。

📄 摘要（原文）

SLAM (Simultaneous Localisation and Mapping) is a crucial component for robotic systems, providing a map of an environment, the current location and previous trajectory of a robot. While 3D LiDAR SLAM has received notable improvements in recent years, 2D SLAM lags behind. Gradual drifts in odometry and pose estimation inaccuracies hinder modern 2D LiDAR-odometry algorithms in large complex environments. Dynamic robotic motion coupled with inherent estimation based SLAM processes introduce noise and errors, degrading map quality. Occupancy Grid Mapping (OGM) produces results that are often noisy and unclear. This is due to the fact that evidence based mapping represents maps according to uncertain observations. This is why OGMs are so popular in exploration or navigation tasks. However, this also limits OGMs' effectiveness for specific mapping based tasks such as floor plan creation in complex scenes. To address this, we propose our novel Transformation and Translation Occupancy Grid Mapping (TT-OGM). We adapt and enable accurate and robust pose estimation techniques from 3D SLAM to the world of 2D and mitigate errors to improve map quality using Generative Adversarial Networks (GANs). We introduce a novel data generation method via deep reinforcement learning (DRL) to build datasets large enough for training a GAN for SLAM error correction. We demonstrate our SLAM in real-time on data collected at Loughborough University. We also prove its generalisability on a variety of large complex environments on a collection of large scale well-known 2D occupancy maps. Our novel approach enables the creation of high quality OGMs in complex scenes, far surpassing the capabilities of current SLAM algorithms in terms of quality, accuracy and reliability.