【泡泡图灵智库】基于主动探索技术地高效边界检测与可达性分析的2D Graph-SLAM

泡泡机器人SLAM · 公众号 · 机器人 · 2021-04-13 00:34

正文

请到「今天看啥」查看全文

泡泡图灵智库，带你精读机器人顶级会议文章

标题：Frontier Detection and Reachability Analysis for Efficient 2D Graph-SLAM Based Active Exploration

作者: Zezhou Sun, Banghe Wu, Cheng-Zhong Xu, Sanjay E. Sarma, Jian Yang, and Hui Kong

机构：南京理工大学

来源：IROS 2020

编译 : 董海青

审核：wyc

这是泡泡图灵智库推送的第 606 篇文章，欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权

摘要

大家好，今天为大家带来的文章是Frontier Detection and Reachability Analysis for Efficient 2D Graph-SLAM Based Active Exploration。

我们提出了一种主动探索的集成方法，即利用cartographer作为创建子图的基本slam模块，同时利用图优化技术在共视子图内执行高效地边界检测。我们也对边界点簇的可达性进行了分析，从而确保机器人可以达到检测边界，最后我们的方法在室内环境下的移动机器人测试来证明此方法地高效性。Code to reproduce our results is available at： https://github.com/SunZezhou/Active-SLAM-with-Cartographer

主要贡献

主要贡献：

1.本文基于cartographer的2d-graph-slam提出了一种主动探索的集成方法；

2.在graph-slam中改进并提升了当前SOTA的边界检测算法；

3.对边界可达性进行了分析和改进，通过本文提出的一种聚类方法来获得可达性的导航点，从而避免潜在地无效路径规划。

算法核心简述

1.边界可到达性分析

见图。

图1 (a)和(b)是由cartographer创建、膨胀前后的两个子图。图中红色的点是由WFD算法检测到边界，黑色的点是栅格占用区，submap没有膨胀之前，从图a中可以看出有很多不可达的边界点(图b中的黄色点表示)，此时尝试到达这些点是无意义的。当我们对障碍物进行膨胀后(见图b),由于连通性WFD算法不会检测不可达边界区域

2. 边界检测

见图。

图2 我们分别阐述了DFD,BFS以及直接法生成的边界检测区域。白色区域表示从上一次优化后保持不变的边界区域。(a)DFD方法生成地检测域，每一次优化后，所有地子图都参与边界检测。(b)BFS方法生成地检测域，边界检测算法始于最新地submap，直到所有与之相交地submap的位姿变化小于一定阈值，它忽略了位姿地累计变化。(c)直接法生成地检测域，当submap(S_i)的累计漂移达到一个pixel(5cm)和那些与submap(S_i)相交地submap，都参与边界检测。与BFS相比，直接法可以检测那些由于多次优化而引起位姿变化超过一定阈值地submap，同时对此submap进行边界检

3. 聚类边界点为导航点

3.1 边界点地连通性

图3 (a)显示了仿真地图上稠密地边界点。白色部分表示空闲空间，黑色部分表示障碍物，灰色部分表示未知空间，绿色的点表示机器人，红色部分表示稠密地边界区。(b)通过在仿真地图上运用mean-shift算法展示了聚类结果，相同颜色点表示同一个簇，蓝色点表示聚类地结果(蓝色地点理解为导航点，译者注)。(c)展示了our method聚类效果，可以看出，非连通区域被聚类到不同地点簇，同时确保导航点可以真实到达。

3.2 连通域内最靠近机器人地边界点作为导航点

图4 (a)现有的聚类方法很容易将非连通边界点划分到同一个簇，使得聚类中心点不可达。(b)如果此聚类后地中心点作为导航点，那么该导航点往往不可达或不可被观测。(c)对连通边界点进行聚类，同时将最靠近机器人的边界点作为导航点。

实验部分

1. 主要硬件

Hokuyo激光(8米/180度)，IMU，Intel i7-32g内存。

图5 用于实验地E2-robot平台

2.实验结果

图6 (a-f)显示了办公室场景下不同时刻机器人主动探索的地图。每张图中白色地箭头表示机器人当前姿态，左上角地图像表示以当前机器人视角看到的办公室场景。蓝色地点表示产生地导航点。红色地部分表示由我们的方法要求生成的边界检测区域。蓝色地线表示机器人的探索轨迹。

图7 三种方法性能比较。(a)、(e)表示两种场景：办公室和博物馆；(b)、(f)表示两种场景下每次优化所有submap中的边界点总数；(c)、(g)表示每次优化中要更新的边界点数量；(d)、(h)显示每次优化所需要地时间。

图8 (a)、(d)两种场景下三种方法地精度比较；(b)、(e)表示了两种场景下DFD方法不同阈值的性能比较；(c)、(f)表示了两种场景下DFD方法不同阈值的精度比较。