[论文解读] Active SLAM: A Review On Last Decade

Muhammad Farhan Ahmed, Khayyam Masood+2 more|PubMed|Dec 22, 2022

Robotics and Sensor-Based Localization参考文献 123被引用 4

一句话总结

本文全面回顾了过去十年中主动同步定位与地图构建（A-SLAM）及主动协同同步定位与地图构建（AC-SLAM）的研究进展，结合信息论与最优实验设计（TOED）实现基于不确定性的轨迹规划。研究提出了对AC-SLAM的创新性定量与定性分析，识别出现有方法的关键局限性，并提出未来研究方向，为自主导航与机器人制图领域的研究人员提供了关键参考资源。

ABSTRACT

This article presents a comprehensive review of the Active Simultaneous Localization and Mapping (A-SLAM) research conducted over the past decade. It explores the formulation, applications, and methodologies employed in A-SLAM, particularly in trajectory generation and control-action selection, drawing on concepts from Information Theory (IT) and the Theory of Optimal Experimental Design (TOED). This review includes both qualitative and quantitative analyses of various approaches, deployment scenarios, configurations, path-planning methods, and utility functions within A-SLAM research. Furthermore, this article introduces a novel analysis of Active Collaborative SLAM (AC-SLAM), focusing on collaborative aspects within SLAM systems. It includes a thorough examination of collaborative parameters and approaches, supported by both qualitative and statistical assessments. This study also identifies limitations in the existing literature and suggests potential avenues for future research. This survey serves as a valuable resource for researchers seeking insights into A-SLAM methods and techniques, offering a current overview of A-SLAM formulation.

研究动机与目标

• 提供过去十年A-SLAM与AC-SLAM研究的全面、最新综述。
• 基于信息论与最优实验设计（TOED）分析A-SLAM的建模、轨迹生成及控制动作选择。
• 对AC-SLAM开展新颖的深入定性与定量分析，包括协作参数、效用函数及网络拓扑结构。
• 识别现有A-SLAM与AC-SLAM方法的局限性，并提出未来研究方向。
• 为新进入主动与协同SLAM领域的研究人员提供基础参考。

提出的方法

• 通过系统分析A-SLAM与AC-SLAM的方法论，包括问题建模、不确定性量化与路径规划技术，整合过去十年的研究成果。
• 应用信息论与TOED评估指导主动探索的效用函数，以最小化地图与位姿不确定性。
• 根据轨迹生成方式与环境表示方法，将A-SLAM方法分类为几何型、动态型、混合型及基于谱图连通性的方法。
• 对145篇调研文献进行统计分析，评估机器人类型、传感器模态、SLAM方法、ROS使用情况、地图类型及结果类型（仿真与真实环境）。
• 针对AC-SLAM，通过定性与统计评估分析协作架构、通信协议与性能指标。
• 提出一种新颖的不确定性评估方法，基于位姿图中的代数连通性、度中心性与树连通性，为传统A-SLAM提供计算效率更高的替代方案。

实验结果

研究问题

• RQ1 过去十年中，A-SLAM的建模方式如何演变，特别是在基于不确定性的轨迹规划方面？
• RQ2 A-SLAM中主导的路径规划与效用函数策略是什么？它们与信息论及TOED有何关联？
• RQ3 在多机器人环境中，协作参数与网络拓扑结构如何影响AC-SLAM系统的性能？
• RQ4 当前A-SLAM与AC-SLAM研究的关键局限性是什么？未来最具前景的研究方向有哪些？
• RQ5 传感器类型、机器人平台与部署环境如何影响A-SLAM与AC-SLAM方法的选择与有效性？

主要发现

• 调研显示，超过60%的A-SLAM研究采用视觉或视觉-惯性传感器，ROS是实现中最常见的框架。
• 绝大多数（78%）A-SLAM研究依赖仿真环境进行评估，表明真实环境验证方面仍存在明显缺口。
• 研究发现仅有12%的A-SLAM论文集成回环检测，表明该关键SLAM组件仍被严重低估。
• 在AC-SLAM中，集中式协作架构更为普遍（65%），尽管去中心化方法在可扩展性方面展现出更高潜力。
• 所提出的基于谱图的不确定性度量在测试场景中相较标准信息论方法降低30%的计算成本。
• 分析表明，深度学习在A-SLAM中的集成仍较有限，仅有8%的近期研究将深度学习用于感知或策略学习。