《SLAM研究进展.ppt》由会员分享,可在线阅读,更多相关《SLAM研究进展.ppt(40页珍藏版)》请在得力文库 - 分享文档赚钱的网站上搜索。
1、视觉SLAM研究2015.9 秋季学期组会报告清华大学导航中心高翔提纲SLAM基本概念SLAM是什么?为何要做SLAM?SLAM的现状?发展历程我的研究工作基于平面特征点的RGB-D SLAM基于SDA深度网络的回环检测技术基于CRF的RGB-D场景语义解析SLAM基本概念基本概念SLAM基本概念智能机器人技术应用:工业、家庭、商务案例:扫地机器人、家用机器人、无人机、智能手机、可穿戴设备任务:路径规划、人机交互、搬运、操作、定位与建图(SLAM)SLAM基本概念SLAM:Simultaneous Localization and MappingLocalization:定位Mapping:建
2、图SLAM基本概念定位建图Where am I?What is around me?相互依赖又互为因果的两个问题。SLAM基本概念Why SLAM?SLAM是机器人进入未知环境遇到的第一个问题。是路径规划及许多其他任务的前提。是实现机器人自主性的关键。SLAM基本概念未知环境指机器人没有先验知识的环境室内、室外均可简化环境物体为静态刚体机器人是环境中唯一能够运动的实体虽然有些过于简单,但是早期SLAM系统确实是建立在这些简化的假设之上。SLAM基本概念SLAM研究的现状?定位+建图基本理论已经成熟若干经典的实现方案正在开始应用到市场习大大:要把我国机器人水平提高上去,尽可能多地占领市场。201
3、4年两院院士大会SLAM基本概念SLAM基本概念SLAM基本概念SLAM发展历程发展历程SLAM发展历程史前:-1990EKF主导时期:1990-2005BA转型时期:2006-2010前沿:2010-SLAM发展历程史前:-1990未形成SLAM概念仅在地图已知的情况下研究定位问题例Leonard90,Leonard91根据已有的标记物进行定位已知地图SLAM发展历程EKF主导时期:1990-20051986-1990.Smith86Smith90首次清楚地定义Localization+Mapping问题提出以EKF模型求解SLAM,成为后十五年SLAM问题的主导模型EKF的优势对定位与建图
4、中的误差进行建模同时考虑两个问题模型简单,易于实现SLAM发展历程早期EKF SLAM举例:Leonard91,Castellanos98,Davison98,Newman99Castellanos98:Mobile Robot Localization and Map Building:A Multisensor Fusion Approach,PhD Thesis,1998.Sensor fusion:图像+LaserEKF框架Laser为主的定位SLAM发展历程21世纪:视觉SLAM的开端Davison98,Davison03,Se02,Chiuso02Se02:Mobile Robot
5、 Localization and Mapping with Uncertainty using Scale-Invariant Visual Landmarks,IJRR,2002.双目相机,特征点运动估计,EKF框架*作者在04年提出了SIFT特征,但在02年已经应用于机器人系统了。SLAM发展历程21世纪:视觉SLAM的开端Davison03:Real-Time Simultaneous Localisation and Mapping with a Single Camera,ICCV,2003单目相机,EKF框架最早的实时SLAM系统,成为之后许多单目系统的鼻祖*Davison本人也
6、是业界传说之一,领导帝国理工大学的机器人视觉组做出了很多前沿贡献。SLAM发展历程EKF局限性线性化假设平方复杂度数百个特征和姿态点稀疏路标地图滤波器的时间串行性质(sequential nature)对数据关联敏感难以实现闭环改进其他滤波器:PF,RBPF,IF,UKF,etc.BA方法:2006以后SLAM发展历程滤波器思路的改进粒子滤波器(PF)及RBPFGrisetti07.Fast and accurate SLAM with Rao-Blackwellized particle filters,RAS,2007.Sim07.A Study of the Rao-Blackwelli
7、sed Particle Filter for Efficient and Accurate Vision-Based SLAM,IJCV.FastSLAMMontemerlo02 FastSLAM:A factored solution to the simultaneous localization and mapping problem.AAAI.Hahnel03.An efficient FastSLAM algorithm for generating maps of large-scale cyclic environments from raw laser range measu
8、rements.IROS.分治EKFPaz08.Divide and Conquer:EKF in O(n).TRO,2008.其他 参见Chen12SLAM发展历程BA转型时期:2006-2010根本上不同于滤波器的框架什么是BA(Bundle Adjustment)?优化所有帧位姿约束的误差起源于摄影几何,2000年引入Structure from Motion(SfM)Triggs00SfM代表性工作:Building Rome in one day Agarwal09.SLAM发展历程2006-2010发现SLAM和SfM中许多共同点将BA引入SLAM,并成为Visual SLAM中的
9、主导方法代表性工作PTAM:Klein07.Parallel tracking and mapping for small AR workspaces,ISMAR.Visual SLAM里程碑式工作单目,BA框架,虚拟现实提出以不同频率求解定位与建图,用两个单独的线程处理之;SLAM发展历程2006-2010代表性工作FrameSLAMKonolige08:FrameSLAM:From Bundle Adjustment to Real-Time Visual Mapping,TRO.只保留位姿约束,特征只用于帧间匹配,在大范围内进行SLAMSLAM发展历程随着BA进一步应用,研究者们开始讨论
10、滤波器与BA的优劣。Strasdat12:Visual slam:Why filter?Image and Vision Computing.认为在单位计算量前提下,BA方法能得到更多有效的信息SLAM发展历程前沿研究:2010至今日益成熟的系统与软件RGBD-SLAM-V2:Endres14.SLAM+:Salas-Moreno13.LSD-SLAM:Engel14ORB-SLAM:Mur-Artal15.SVO:Forster14Kinect Fusion:Newcombe11DTAM:Newcombe11Dense Planar SLAM:Salas-Moreno14OpenRatSLA
11、M:Milford10G2O:Kummerle11SBA:Lourakis09iSAM:Kaess09SLAM发展历程前沿研究:2010至今丰富的传感器单目相机 双目/多目相机深度相机(RGB-D)全景相机2D 转轴雷达可穿戴设备GPU SLAMSLAM发展历程前沿研究:2010至今复杂的环境非特征点SLAM:Rao12,Salas14动态环境:Einhorn14,Yangming13多机器人协作:Zou13,Balzer13,Maddern12长时间SLAM:Tipaldi13,Bacca13语义信息:Cadena14,Siagian14,Fioraio13拓扑/网格地图:Besson10S
12、LAM发展历程过去Where am I?定位What is around me?建图现在What I can do with it?SLAM发展历程What I can do with it?过去:静态、刚体的环境基本解决现在的环境人员密集柔性物体运动物体动态光照理解环境内容我的研究工作我的研究工作我的研究工作1.传感器信息处理2.回环检测3.语义场景理解我的研究工作1.传感器信息处理方法:基于平面特征点的RGB-D SLAM.Xiang Gao,Tao Zhang,Robust RGB-D simultaneous localization and mapping using planar
13、point features,Robotics and Autonomous Systems,Vol.72,1-14,2015特点:针对Kinect特性对点云进行了预处理结论:平面点特征能更准确地估计运动我的研究工作回环检测方法:使用层叠编码机(SDA)检测图像相似性Xiang Gao,Tao Zhang,Loop Closure Detection for Visual SLAM Systems Using Deep Neural Networks,CCC,2015Xiang Gao,Tao Zhang,Unsupervised Learning to Detect Loops Using
14、Deep Neural Networks for Visual SLAM System,Autonomous Robots,Under Review.特点:自动学习图像特征,计算相似性结论:学习的特征能够有效地检测闭环我的研究工作回环检测我的研究工作语义场景理解方法:使用条件随机场生成带标记的地图绿:Ground 青:Structure 紫:Furniture 蓝:PropsProblem:场景理解针对单张图片,而SLAM是运动过程,如何结合?我的研究工作其他科普性质工作我的研究工作未来的研究问题GPU加速SLAM动态场景运动分离技术主动SLAM:SLAM+Exploration谢谢大家!谢谢大家!