[论文解读] Spatiotemporal Articulated Models for Dynamic SLAM

Suren Kumar, Vikas Dhiman+2 more|arXiv (Cornell University)|Apr 12, 2016

Robotics and Sensor-Based Localization参考文献 31被引用 9

一句话总结

本文提出了一种在线时空刚体运动估计框架，通过在动态环境中从最少的特征轨迹中联合学习刚体结构（例如旋转副或移动副）与时间运动预测，实现对运动的建模。通过在SE(3)的低维子空间中建模运动并预测未来运动，该方法在动态SLAM中显著提升了机器人定位与建图性能，在模拟实验中相比标准EKF SLAM将轨迹误差降低了80%，并在真实世界门和冰箱实验中表现出鲁棒性。

ABSTRACT

We propose an online spatiotemporal articulation model estimation framework that estimates both articulated structure as well as a temporal prediction model solely using passive observations. The resulting model can predict future mo- tions of an articulated object with high confidence because of the spatial and temporal structure. We demonstrate the effectiveness of the predictive model by incorporating it within a standard simultaneous localization and mapping (SLAM) pipeline for mapping and robot localization in previously unexplored dynamic environments. Our method is able to localize the robot and map a dynamic scene by explaining the observed motion in the world. We demonstrate the effectiveness of the proposed framework for both simulated and real-world dynamic environments.

研究动机与目标

• 为解决标准SLAM在动态环境中将运动视为噪声而非信息性结构的局限性。
• 实现实时从极少的特征轨迹中估计刚体运动结构（例如旋转副、移动副）。
• 在估计的运动子空间内构建运动参数的时间预测模型，以提升SLAM性能。
• 将刚体运动建模集成到标准SLAM流程中，实现在动态场景中的精确定位与建图。

提出的方法

• 该方法首先通过最小二乘法对3D特征轨迹拟合平面与圆（用于旋转副）或直线（用于移动副），识别SE(3)中的运动子空间，从而估计刚体结构。
• 对于旋转副，运动通过在平面内沿圆周路径的旋转角φₜ参数化，其中心、半径与法向量通过点云投影估计。
• 对于移动副，运动建模为沿方向向量的线性平移，时间可变的长度lₜ作为运动参数。
• 利用运动连续性建立时间预测模型，对运动参数（如φₜ）随时间的演化进行建模，以预测未来状态。
• 该框架仅需最少7个特征轨迹样本即可初始化结构与时间建模，支持从单个地标实现估计。
• 将刚体运动模型集成到基于EKF的SLAM流程中，以动态、结构化的运动模型替代静态地标假设。

实验结果

研究问题

• RQ1 能否仅从单个特征轨迹在实时条件下估计刚体运动结构，即使观测有限？
• RQ2 如何对运动参数的时间连续性进行建模，以预测刚体物体的未来运动？
• RQ3 时空刚体运动建模能否提升标准SLAM失效的动态环境中机器人的定位精度？
• RQ4 与标准SLAM或动态SLAM变体相比，引入刚体运动建模在多大程度上降低了定位误差？
• RQ5 所提出的方法能否泛化到包含复杂刚体物体（如门和冰箱）的真实世界动态场景？

主要发现

• 所提出的A-SLAM框架在仿真中将绝对轨迹误差（ATE）降低至0.014，显著优于EKF SLAM（0.071）与动态SLAM（0.049）。
• 相对位姿误差（RPE）在仿真中降低至0.003，表明运动估计与定位具有高精度。
• 在冰箱门的真实实验中，A-SLAM实现ATE为0.123、RPE为0.137，尽管存在非静态地标，仍优于EKF SLAM（ATE：0.059，RPE：0.073）。
• 该方法成功仅通过特征轨迹估计出旋转副的轴线，如图8所示，证实了在真实场景中的鲁棒性。
• 该算法正确识别出移动副的运动子空间，证明了其能从最少数据中区分关节类型。
• 基于最大似然的模型选择算法优于简单的最大概率选择，在移动副实验中避免了第13帧的失败。