SLAM++-A Highly Efficient and Temporally Scalable Incremental SLAM Framework

• https://doi.org/10.1177/0278364917691110

nonlinear least squares, incremental covariance recovery, long-term SLAM, loop closure, compact state representation

Nejběžnější způsob jak se vypořádat s nejistotou, přítomnou v měření percepčních sensorů zatížených šumem a stejně tak i v aktuátorech je modelovat daný problém v pravděpodobnostním frameworku. Maximum likelihood estimation (MLE) je dobře známá estimační metoda používaná v mnoha robotických aplikacích a aplikacích počítačového vidění. Při Gaussovském šumu má toto MLE elegantní řešení nelineárních nejmenších čtverců (NLS). Efektivní metody řešící NLS byly navrženy v literatuře a jsou založeny na iterativním řešení řídkých lineárních systémů až do dosažení konvergence. Obecně vzato, dosavadní řešení poskytují jen odhad průměrného řešení ale už neposkytují kovarianci jež je příliš výpočetně drahá. Nicméně, v mnoha aplikacích současné lokalizace a mapování (SLAM) není průměrné řešení dostačující. Asociace dat, redukovaná reprezentace stavu, aktivní rozhodování a další nejlepší pohled představuje jen několik aplikací vyžadujících rychlý výpočet kovariance. Dále, aplikace v robotice a počítačovém vidění jsou obecně vykonávány v reálném čase. V tomto případě je stav estimace neustále aktualizován a jeho velikost stále roste, tudíž se tento proces může rychle stát výpočetně neúnosným. Tento článek představuje obecný framework pro inkrementální MLE, zvaný SLAM++, který plně těží z inkrementální povahy aplikací v reálném čase a poskytuje efektivní výpočet nejen průměru ale i kovariance řešení. Dále navrhujeme strategii pro udržování kompaktní a škálovatelné reprezentace stavu pro SLAM velkého rozsahu. SLAM++ se liší od ostatních existujících implementací tím, že provádí veškeré maticové operace blokově. To vede k extrémně rychlé manipulaci s maticemi a rychlým aritmetickým operacím použitým při řešení NLS. I přesto že tento článek testuje efektivitu SLAM++ na problémech typu SLAM, jeho použití je plně obecné.