[论文解读] Dense 3-D Mapping with Spatial Correlation via Gaussian Filtering

Ke Sun, Kelsey Saulnier+3 more|arXiv (Cornell University)|Jan 23, 2018

Gaussian Processes and Bayesian Inference参考文献 14被引用 3

一句话总结

本文提出占用网格滤波器（OGF），一种计算高效的密集3D占用映射方法，通过基于卡尔曼滤波器的高斯过程分类近似方法对网格单元之间的空间相关性进行建模。与传统假设独立性的占用网格不同，OGF能够捕捉不确定性和相关性，从而提升地图精度和轨迹规划性能，其复杂度随地图尺寸呈二次方增长，而非随数据历史长度呈三次方增长。

ABSTRACT

Constructing an occupancy representation of the environment is a fundamental problem for robot autonomy. Many accurate and efficient methods exist that address this problem but most assume that the occupancy states of different elements in the map representation are statistically independent. The focus of this paper is to provide a model that captures correlation of the occupancy of map elements. Correlation is important not only for improved accuracy but also for quantifying uncertainty in the map and for planning autonomous mapping trajectories based on the correlation among known and unknown areas. Recent work proposes Gaussian Process (GP) regression to capture covariance information and enable resolution-free occupancy estimation. The drawback of techniques based on GP regression (or classification) is that the computation complexity scales cubically with the length of the measurement history. Our main contribution is a new approach for occupancy mapping that models the binary nature of occupancy measurements precisely, via a Bernoulli distribution, and provides an efficient approximation of GP classification with complexity that does not scale with time. We prove that the error between the estimates provided by our method and those provided by GP classification is negligible. The proposed method is evaluated using both simulated data and real data collected using a Velodyne Puck 3-D range sensor.

研究动机与目标

• 解决传统占用网格假设网格单元之间统计独立性所带来的局限性。
• 对3D占用地图中的空间相关性进行建模，以提升精度和不确定性量化能力。
• 开发一种计算高效的高斯过程分类替代方法，其复杂度不再随测量历史呈三次方增长。
• 实现无需分辨率限制的连续占用估计，仅使用二值传感器测量数据。
• 通过提供协方差信息，支持自主映射中的信息性轨迹规划。

提出的方法

• 该方法将占用建模为伯努利过程，并使用潜变量高斯过程表示占用概率。
• 应用卡尔曼滤波器近似潜变量函数的后验分布，实现每次更新的恒定计算成本。
• 滤波器使用probit链接函数将潜变量值映射为二值占用概率。
• 测量更新步骤基于期望传播（EP）近似推导，确保与高斯过程分类的一致性。
• 采用空间相关性核函数定义网格单元之间的协方差结构，实现平滑、连续的占用估计。
• 算法以流式方式实现，支持在新传感器数据到达时进行实时增量更新。

实验结果

研究问题

• RQ1 是否存在一种计算高效的近似方法，可在保留空间相关性的同时，对高斯过程分类进行占用映射？
• RQ2 与独立占用网格相比，对网格单元间空间相关性的建模是否能提升地图精度和不确定性量化能力？
• RQ3 所提出的方法是否能保持随时间恒定的计算复杂度，而不同于标准高斯过程方法？
• RQ4 空间相关性的引入如何影响从稀疏传感器数据中填补3D地图空隙的能力？
• RQ5 所提出方法的协方差结构能否指导更优的信息性自主探索轨迹？

主要发现

• OGF 在潜变量估计上与期望传播（EP）——高斯过程分类的黄金标准——几乎完全一致，潜变量估计误差可忽略不计。
• 在2D仿真中，OGF 在合理测量数量下，分类精度优于标准占用网格映射方法。
• 在Velodyne Puck传感器获取的真实3D数据上，OGF 通过有效填补重建空隙，生成了比Octomap更密集的地图。
• 该方法在重建地面平面和复杂室内结构方面表现出色，尤其在遮挡或观测稀疏区域表现更优。
• OGF 的计算复杂度随地图尺寸呈二次方增长，支持实时运行；而标准高斯过程方法的复杂度随测量历史呈三次方增长。
• OGF 提供的协方差信息使不确定性量化更优，且地图完整性优于独立网格模型。