利用有效變換實現線性模型改進機器人同時定位與地圖構建
本文提出了一種名為LMKF SLAM的新方法，透過應用簡單指南針和有效變換將非線性狀態空間模型轉化為線性模型，從而解決了擴充套件卡爾曼濾波（EKF）在同時定位與地圖構建（SLAM）中的發散問題。實驗表明，LMKF SLAM在精度、收斂性和計算複雜度上顯著優於現有方法，且對感測器不確定性和引數變化更穩定。
移動機器人廣泛應用於工程領域，例如倉庫物流、巡檢、搜救等。同時定位與地圖構建（SLAM）是這些機器人自主導航的核心技術，它要求機器人在未知環境中同時估計自身位置和構建環境地圖。目前，擴充套件卡爾曼濾波（EKF）是SLAM領域最常用的演算法之一。然而，EKF-SLAM存在一個長期未能完全解決的問題——發散。發散的根本原因在於運動模型和觀測模型的非線性，以及EKF進行線性化時引入的誤差。這些誤差會隨著時間累積，導致估計結果偏離真實值，最終使演算法失效。
為了解決這一問題，研究人員進行了多種嘗試，例如採用無跡卡爾曼濾波（UKF）或粒子濾波，但這些方法通常增加了計算開銷，且在某些場景下改善有限。近日，一篇發表於arXiv的論文提出了一種創新的解決方案——LMKF SLAM。該方法的核心思想是：透過引入一個簡單的指南針（compass）來提供絕對方向資訊，並應用一種有效的數學變換，將原始的非線性狀態空間模型精確地轉化為線性模型。這樣一來，就可以直接使用原始卡爾曼濾波（KF）進行狀態估計，從而完全避免了EKF的線性化過程。
具體的做法是：在機器人運動模型中，利用指南針測量機器人朝向作為狀態變數之一，並對速度和角速度等輸入進行變換，使得新的狀態空間方程成為線性的。觀測模型也經過類似處理。經過變換後，卡爾曼濾波的預測和更新步驟都可以線上性框架下最優地進行，不存線上性化誤差。
實驗結果顯示，LMKF SLAM在多個標準資料集上均表現出色。與基於EKF的SLAM以及最新的基於最佳化的SLAM方法相比，LMKF SLAM在定位精度上提高了約30%，收斂速度更快，並且計算複雜度更低，因為卡爾曼濾波本身計算效率很高。此外，該方法對感測器噪聲水平的變化以及系統引數（如輪子直徑、軸距等）的不確定性表現出很強的魯棒性。即使在感測器嚴重退化或引數失配的情況下，LMKF SLAM依然能夠維持穩定的估計效能。
這項研究的作者來自多個機構，包括Seyed Farzad Bahreinian等人。論文的通訊作者Maziar Palhang表示，LMKF SLAM為SLAM領域提供了一種理論簡潔且實踐有效的方案。未來的工作將考慮將該方法推廣到三維空間，並研究如何在沒有指南針的場景下獲取類似的方向資訊。
總體而言，LMKF SLAM透過巧妙的數學變換，從根本上解決了EKF-SLAM的發散問題，同時保持了計算效率。這一方法有望推動移動機器人在更復雜、更動態的環境中的自主導航能力，對工業自動化、服務機器人等領域具有重要意義。