[论文解读] Visual SLAM-based Localization and Navigation for Service Robots: The Pepper Case

Cristopher Gómez, Matías Mattamala+2 more|arXiv (Cornell University)|Nov 20, 2018

Robotics and Sensor-Based Localization参考文献 15被引用 6

一句话总结

本文提出了一种基于视觉SLAM的定位与导航系统，用于Pepper机器人，通过融合ORB-SLAM与轮式里程计，即使在Pepper机器人短距离LIDAR和RGB-D传感器限制下，也能实现在大型环境中的度量定位。该系统通过融合里程计恢复度量尺度并提升跟踪稳定性，在真实世界环境中实现了鲁棒且连续的定位与导航，包括大型室内大厅，展示了在中等和大型尺度环境中，当地图构建良好时，漂移极小的可行性。

ABSTRACT

We propose a Visual-SLAM based localization and navigation system for service robots. Our system is built on top of the ORB-SLAM monocular system but extended by the inclusion of wheel odometry in the estimation procedures. As a case study, the proposed system is validated using the Pepper robot, whose short-range LIDARs and RGB-D camera do not allow the robot to self-localize in large environments. The localization system is tested in navigation tasks using Pepper in two different environments: a medium-size laboratory, and a large-size hall.

研究动机与目标

• 解决Pepper机器人因传感器受限（短距离LIDAR和RGB-D相机）而无法在大型环境中自主定位的问题。
• 仅使用现有Pepper传感器，在大型室内环境中实现度量定位与连续导航。
• 通过融合轮式里程计与ORB-SLAM，克服单目视觉SLAM中的尺度模糊性，实现度量一致性。
• 在真实世界环境中验证系统性能，包括中型实验室和大型大厅，在真实条件下进行测试。

提出的方法

• 通过将轮式里程计测量值集成到优化框架中，扩展开源的ORB-SLAM单目SLAM系统。
• 采用因子图公式联合优化相机位姿、三维特征点与里程计状态，最小化预测观测与实测观测之间的误差。
• 应用非线性最小二乘优化（式1）估计状态向量，以最小化重投影误差与里程计误差。
• 基于相机与里程计帧之间的初始位移，采用固定数量关键帧估计尺度因子的尺度恢复机制。
• 使用额头RGB相机（640×480）和NAOqi中间件内部计算的里程计，避免依赖外部传感器。
• 实施混合定位策略：在特征可追踪时使用视觉SLAM，视觉追踪失败时切换至仅里程计模式，确保连续位姿估计。

实验结果

研究问题

• RQ1 在Pepper机器人原生传感器失效的大型室内环境中，融合里程计的单目视觉SLAM系统能否实现可靠的度量定位？
• RQ2 将轮式里程计与ORB-SLAM融合，如何提升对视觉追踪失败和尺度模糊性的鲁棒性？
• RQ3 在真实世界大型环境（如大厅和实验室）中，该系统的定位精度与导航成功率表现如何？
• RQ4 环境变化（如光照变化、移动家具）对系统鲁棒性与漂移累积有何影响？
• RQ5 Pepper相机视场角狭窄在多大程度上影响位姿估计精度与地图质量？

主要发现

• 系统成功使Pepper在机电工程实验室与大型南大厅中实现自主导航，证明了在真实世界大型环境中应用的可行性。
• 在机电工程实验室中，275–350秒期间观察到最大1.5米的定位漂移，归因于地图构建期间视点多样性不足。
• 在南大厅中，Z轴定位估计出现高达1.2米的显著不连续性，导致导航不可行，原因在于特征点可见性低与三角测量不确定性高。
• 系统对环境变化（如家具重新摆放）表现出鲁棒性，当地图正确构建时，漂移极小。
• 在动态光照与运动模糊条件下，视觉追踪性能下降，但固定曝光设置有效缓解了这些问题。
• 反光表面引入了虚假特征点，远距离特征点因优化过程中的三角测量不确定性，增加了位姿估计的噪声。