基于判别图模型的复杂环境下自治机器人定位与地图构建研究

对于复杂环境下的自治机器人同时定位与地图构建(Simultaneous localization and mapping, SLAM)问题，采用传统的地图表征方式和静态景物假设难以准确建模非结构化、动态环境，传统的数据融合框架也限制了地图规模的增广。本课题面向复杂环境，研究用机器学习的方法解决SLAM问题。利用判别图模型(Discriminative graphical model)智能管理传感器观测的帧内和帧间特征，估计机器人相对运动、辨识、追踪动态景物，并分析决策的不确定性；基于对两帧观测影像相似度的推理，探测闭环(Loop closure)；同时，采用基于场景的地图表征，将图模型推理融入改进的滞后状态信息滤波，组成完整的SLAM算法。该算法改进了传统研究的不足，在非结构化、动态、大规模环境下，能保持良好的一致性和稳健性，为自治机器人定位与地图构建提供了可靠的解决方案。

依据本项目计划书所制定的研究要点，课题组在过去的三年里开展了如下工作：研究了基于判别图模型的激光点云数据关联决策问题；研究了基于采样积不确定性推理的传感器相邻观测匹配的误差分析问题；研究了基于高斯正则概率推理的移动机器人导航问题；研究为贝叶斯滤波机制加入反复观测更新策略；研究了移动机器人导航中视觉与激光传感器等多种传感器数据的转译及融合，该研究要点还可展开为，从视觉传感器观测数据中辨识人造特征并估计其三维坐标；针对激光传感器原始输出点云的特征聚类分割；基于景深视觉传感器的室内三维重构；在上述三类传感器数据特性的探索过程中，课题组提出了适用于机器人导航的视觉与卫星定位传感器联合校准方法及用于移动机器人定位与环境重构的绝对坐标获取方法。为了能更深入全面地测试移动机器人导航算法，课题组还搭建了四个可用于数据采集和算法研究的陆上及水下机器人平台，它们是，基于开源软硬件平台搭建的具有景深视觉的陆上机器人平台—Carmela（卡梅拉），基于Rovio WowWee搭建的动态视觉目标追踪机器人平台，基于嵌入式平台搭建的颜色辨识机器人平台—Berio（贝里奥）和基于OpenROV构建算法验证的水下机器人平台—Nemo（尼莫），在上述平台搭建的过程中，课题组还研究了使用电机编码器数据的差分驱动轮式机器人相对位姿解算算法，摸索通过机器学习算法挖掘传感器数据信息推理载体运动状态。