一種使用2D激光雷達(dá)在室內(nèi)場(chǎng)景下估計(jì)機(jī)器人姿態(tài)的方法

摘要

確定移動(dòng)機(jī)器人的狀態(tài)是機(jī)器人導(dǎo)航系統(tǒng)中重要的組成部分。在本文中，我們提出了一種使用2D激光雷達(dá)在室內(nèi)場(chǎng)景下估計(jì)機(jī)器人姿態(tài)的方法，并探討了如何將新型的場(chǎng)景表示模型整合到標(biāo)準(zhǔn)蒙特卡羅定位（MCL）系統(tǒng)中。在計(jì)算機(jī)視覺(jué)領(lǐng)域，神經(jīng)輻射場(chǎng) (Neural Radiance Fields, NeRF)是用一個(gè)隱式函數(shù)來(lái)表示環(huán)境。我們將NeRF這樣的隱式環(huán)境表示擴(kuò)展到移動(dòng)機(jī)器人二維室內(nèi)定位任務(wù)中，提出了一種神經(jīng)占據(jù)場(chǎng)，使用神經(jīng)網(wǎng)絡(luò)來(lái)隱式的表示用于替代機(jī)器人定位任務(wù)中的二維地圖。

通過(guò)預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)，我們可以渲染合成當(dāng)前場(chǎng)景下任意機(jī)器人姿態(tài)所對(duì)應(yīng)的的2D 激光掃描?；谠撾[式地圖，我們提出了一個(gè)觀測(cè)模型來(lái)計(jì)算渲染和真實(shí)掃描之間的相似性，并將其集成到MCL系統(tǒng)中進(jìn)行準(zhǔn)確的定位。我們?cè)谝唤M自己收集的數(shù)據(jù)集和三個(gè)公開可用的數(shù)據(jù)集上進(jìn)行評(píng)估。實(shí)驗(yàn)結(jié)果證明我們的方法可以準(zhǔn)確高效地估計(jì)機(jī)器人的姿態(tài)，并在定位性能優(yōu)于現(xiàn)有的方法。實(shí)驗(yàn)表明，所提出的隱式地圖模型能夠更準(zhǔn)確的表示場(chǎng)景，從而提升了MCL系統(tǒng)中觀測(cè)模型的性能。

主要貢獻(xiàn)

我們提出了神經(jīng)占據(jù)場(chǎng)，一種隱式場(chǎng)景表示模型，在該模型之上提出了一個(gè)高性能的觀測(cè)模型，并整合到基于2D 激光的全局定位系統(tǒng)之中; 我們通過(guò)多個(gè)數(shù)據(jù)集的實(shí)驗(yàn)評(píng)估，實(shí)驗(yàn)結(jié)果證明，與使用傳統(tǒng)場(chǎng)景表示模型（例如：占據(jù)柵格地圖，希爾伯特地圖）相比，我們的方法在機(jī)器人全局定位方面具有競(jìng)爭(zhēng)力的性能，且能快速收斂，并實(shí)時(shí)運(yùn)行。

主要方法

隱式場(chǎng)景表示

我們利用一組已知準(zhǔn)確姿態(tài)的2D激光數(shù)據(jù)作為訓(xùn)練樣本。如下圖所示，首先根據(jù)每一個(gè)樣本的姿態(tài)和2D激光雷達(dá)的內(nèi)參設(shè)置計(jì)算得到激光雷達(dá)每一條射線的方向，接著在每一條射線上均勻采樣N個(gè)空間點(diǎn)。之后，神經(jīng)網(wǎng)絡(luò)將采樣得到的每一個(gè)空間點(diǎn)p作為輸入，并輸出該空間點(diǎn)所對(duì)應(yīng)的占據(jù)概率pocc。



最后，對(duì)于每一條射線，利用光線投射（ray-casting）算法根據(jù)采樣點(diǎn)的深度m及其占據(jù)概率pocc進(jìn)行渲染得到射線所對(duì)應(yīng)的深度值：





最終，估計(jì)出當(dāng)前機(jī)器人姿態(tài)下可能會(huì)觀測(cè)到的2D激光掃描。接下來(lái)，我們通過(guò)計(jì)算幾何損失以及對(duì)預(yù)測(cè)的占據(jù)概率添加正則化來(lái)優(yōu)化神經(jīng)網(wǎng)絡(luò)的參數(shù)。

幾何損失是2D激光掃描的估計(jì)值和觀測(cè)值之間的 L1損失：



占據(jù)概率的正則化通過(guò)計(jì)算一個(gè)負(fù)對(duì)數(shù)似然來(lái)約束占據(jù)概率的預(yù)測(cè)值接近于1（被占據(jù)）或0（不被占據(jù)）：



最終，用與優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)的損失函數(shù)為：



全局定位系統(tǒng)

當(dāng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成后，我們可以通過(guò)預(yù)測(cè)環(huán)境中任意機(jī)器人姿態(tài)所對(duì)應(yīng)的2D激光觀測(cè)。因此，我們將其整合到MCL系統(tǒng)之中，作為一個(gè)MCL系統(tǒng)的觀測(cè)模型。MCL系統(tǒng)如下圖所示，為了確定機(jī)器人當(dāng)前的姿態(tài)，我們首先在當(dāng)前場(chǎng)景下采樣一定數(shù)量的機(jī)器人姿態(tài)，稱之為“粒子”，如圖中藍(lán)色圓環(huán)所示。

每一個(gè)粒子包含了一個(gè)假設(shè)的機(jī)器人姿態(tài)和一個(gè)權(quán)重。當(dāng)機(jī)器人在環(huán)境中運(yùn)行時(shí)，基于隱式表示的觀測(cè)模型將每一個(gè)粒子的姿態(tài)作為輸入，預(yù)測(cè)其在該姿態(tài)下的2D激光掃描，通過(guò)和真實(shí)的觀測(cè)值進(jìn)行比對(duì)來(lái)更新粒子的權(quán)重，并在每一迭代中移除低權(quán)重的粒子，保留高權(quán)重的粒子。重復(fù)該過(guò)程，粒子最終會(huì)收斂到真實(shí)姿態(tài)周圍的一個(gè)小區(qū)域。我們最終通過(guò)對(duì)收斂后的粒子姿態(tài)進(jìn)行加權(quán)平均后得到估計(jì)的機(jī)器人姿態(tài)。



主要結(jié)果

室內(nèi)全局定位

我們將現(xiàn)有的蒙特卡洛定位算法作為基線，在我們收集的數(shù)據(jù)集上對(duì)比了全局定位的精度，實(shí)驗(yàn)結(jié)果如下所示。實(shí)驗(yàn)結(jié)果證明，對(duì)比于現(xiàn)有的室內(nèi)定位算法，我們的方法在定位精度上達(dá)到了SOTA。此外，相比于之前的方法，我們的算法能更快的收斂。我們還補(bǔ)充了一個(gè)姿態(tài)追蹤實(shí)驗(yàn)，用于證明我們的算法在不同量級(jí)的粒子數(shù)目下依然能表現(xiàn)出精確的定位能力。



觀測(cè)模型

我們?cè)谌齻€(gè)經(jīng)典的室內(nèi)數(shù)據(jù)集（Freiburg Building 079, Intel Lab, MIT CSAIL）對(duì)我們的觀測(cè)模型進(jìn)行了評(píng)估。通過(guò)與基于柵格地圖的觀測(cè)模型進(jìn)行對(duì)比，證明了隱式場(chǎng)景表示是一種更準(zhǔn)確的地圖表示方法。當(dāng)訓(xùn)練數(shù)據(jù)較少時(shí)（如MIT CSAIL數(shù)據(jù)集），在預(yù)測(cè)沒(méi)有包含在訓(xùn)練集中的區(qū)域時(shí)，隱式地圖展現(xiàn)出來(lái)更好的泛化能力。

審核編輯：劉清