利用有效变换实现线性模型改进机器人同时定位与地图构建
本文提出了一种名为LMKF SLAM的新方法，通过应用简单指南针和有效变换将非线性状态空间模型转化为线性模型，从而解决了扩展卡尔曼滤波（EKF）在同时定位与地图构建（SLAM）中的发散问题。实验表明，LMKF SLAM在精度、收敛性和计算复杂度上显著优于现有方法，且对传感器不确定性和参数变化更稳定。
移动机器人广泛应用于工程领域，例如仓库物流、巡检、搜救等。同时定位与地图构建（SLAM）是这些机器人自主导航的核心技术，它要求机器人在未知环境中同时估计自身位置和构建环境地图。目前，扩展卡尔曼滤波（EKF）是SLAM领域最常用的算法之一。然而，EKF-SLAM存在一个长期未能完全解决的问题——发散。发散的根本原因在于运动模型和观测模型的非线性，以及EKF进行线性化时引入的误差。这些误差会随着时间累积，导致估计结果偏离真实值，最终使算法失效。
为了解决这一问题，研究人员进行了多种尝试，例如采用无迹卡尔曼滤波（UKF）或粒子滤波，但这些方法通常增加了计算开销，且在某些场景下改善有限。近日，一篇发表于arXiv的论文提出了一种创新的解决方案——LMKF SLAM。该方法的核心思想是：通过引入一个简单的指南针（compass）来提供绝对方向信息，并应用一种有效的数学变换，将原始的非线性状态空间模型精确地转化为线性模型。这样一来，就可以直接使用原始卡尔曼滤波（KF）进行状态估计，从而完全避免了EKF的线性化过程。
具体的做法是：在机器人运动模型中，利用指南针测量机器人朝向作为状态变量之一，并对速度和角速度等输入进行变换，使得新的状态空间方程成为线性的。观测模型也经过类似处理。经过变换后，卡尔曼滤波的预测和更新步骤都可以在线性框架下最优地进行，不存在线性化误差。
实验结果显示，LMKF SLAM在多个标准数据集上均表现出色。与基于EKF的SLAM以及最新的基于优化的SLAM方法相比，LMKF SLAM在定位精度上提高了约30%，收敛速度更快，并且计算复杂度更低，因为卡尔曼滤波本身计算效率很高。此外，该方法对传感器噪声水平的变化以及系统参数（如轮子直径、轴距等）的不确定性表现出很强的鲁棒性。即使在传感器严重退化或参数失配的情况下，LMKF SLAM依然能够维持稳定的估计性能。
这项研究的作者来自多个机构，包括Seyed Farzad Bahreinian等人。论文的通讯作者Maziar Palhang表示，LMKF SLAM为SLAM领域提供了一种理论简洁且实践有效的方案。未来的工作将考虑将该方法推广到三维空间，并研究如何在没有指南针的场景下获取类似的方向信息。
总体而言，LMKF SLAM通过巧妙的数学变换，从根本上解决了EKF-SLAM的发散问题，同时保持了计算效率。这一方法有望推动移动机器人在更复杂、更动态的环境中的自主导航能力，对工业自动化、服务机器人等领域具有重要意义。