基于生成信息的学习模型与迁移对SLAM算法性能提升的研究

For the small scale environment with limited dynamic objects, there are already mature SLAM solutions using high accuracy laser sensors. However, the performance of SLAM algorithms can decrease saliently when the information uncertainty caused by the increment of the environment scale and its dynamics becomes not negligible. In this project, we focus on improving SLAM performance when the uncertainty increases, which will be achieved from the following three aspects. We start with defining the general grey number and its operational rules by extending dimensions of the conventional 2-D grey number, which can be used to represent and process uncertain information. Based on the general grey number and the operational rules, the one piece grid space is built up and its convolution with generated information is computed to obtain the useful features, which are then applied to decide the sampling policy in the one piece grid space to further decrease the computational burden. With the samples as input, a learning model aiming at approximating the real states is built up. After training, the model is transferred to real SLAM scenarios. By optimizing and enhancing the model according to real feedback, the performance of SLAM algorithms will be improved, which also provide a way in applying SLAM in environments with high uncertainty and massive information.

在小规模、弱动态环境中，利用高精度激光等距离传感器的SLAM方法已具备相对成熟的解决方案。但是，当环境规模增大，动态性增强，或传感器精度降低等因素导致信息的不确定性增强时，大部分的SLAM算法性能会显著降低。针对信息不确定性增强时如何提升SLAM算法性能的问题，本项目拟拓展传统区间灰数的维度，建立广义灰数及其运算规则，实现生成信息及感知信息不确定性的表达、处理；然后，建立one piece grid space，将其与生成信息进行卷积运算获取有效特征，基于此确立采样策略从one piece grid space中进行采样，降低数据处理的负担；以采样信息作为输入，利用学习网络进行函数逼近的优势，进行状态估计模型的学习，并将该模型迁移应用到实际SLAM中，根据反馈信息，对模型进行优化与增强，以达到提升SLAM算法性能的目标，并为改善SLAM算法在信息量大、不确定性高的环境中的有效应用提供思路。

本项目针对大规模、高动态、信息不确定性场景中的SLAM（包括相关的定位和地图创建方法）展开研究。项目基于区间分析理论，实现SLAM问题中常见的传感器信息和地图信息的不确定性的描述，并将区间分析理论与贝叶斯理论相结合，实现了不确定性信息的表达处理。由于区间分析理论中的区间数可以抽象为高斯过程的多次实现的集合，使得二者具有一定的相似。本项目因此同时开展高效、高精度的高斯过程的研究，以促进区间分析理论与贝叶斯理论更好的结合。本研究将理论研究成果分别应用于基于区间分析理论与OpenStreetMap，以及sketch map与深度学习相结合的机器人定位过程中，现在了参考地图存在显著误差的场景中的高精度、可信赖的无人车定位结果。在理论研究的基础上，本研究持续开展、推进大规模、高动态场景中以激光点云和视觉为核心信息源的SLAM方法及其相关技术的研究。为提升算法的效率、鲁棒性以及人机交互的友好性，本研究充分利用传感器信息中包含的诸如线、面等特征，进一步基于这类特征进行SLAM方法及相关技术的研究，从而使得地图创建或定位过程更加符合人类的认知习惯，方便项目取得的成果在诸如服务机器人等场景中地应用。基于该思想，本研究提出了：1）基于单位分解(POU)的SLAM算法(POU-SLAM)，该算法将POU隐平面信息应用到SLAM中，显著提升了SLAM算法在KITTI数据集上的定位与地图创建精度。通过进一步完善该算法，本研究提出了高效的闭环检测方法，实现了大规模环境中的高精度SLAM。2）为了平衡激光数据精度高，数据稀疏，而视觉信息特征丰富，数据处理复杂度高的问题，本项目将激光信息与视觉信息相结合，进行动态环境中的SLAM以及动态目标的检测，实现了效率与精度的平衡；3）针对机器人需要二次（或多次）进入同一环境的情况，本项目研究利用机器人首次进入环境执行SLAM算法获取的地图辅助后续进入环境时进行地位的问题，并基于视觉信息，实现复杂场景中的视觉重定位。上述理论研究与相关的应用研究具有逻辑上的连续性，也即通过合理集成，本项目能够实现在大规模、动态环境中激光点云和视觉信息不确定性的表达处理，并实现机器人SLAM，闭环检测与校正，动态物体检测以及重定位。集成工作将在未来的研究工作中展开。