摘要

確定移動機器人的狀態(tài)是機器人導航系統(tǒng)中重要的組成部分。在本文中，我們提出了一種使用2D激光雷達在室內(nèi)場景下估計機器人姿態(tài)的方法，并探討了如何將新型的場景表示模型整合到標準蒙特卡羅定位（MCL）系統(tǒng)中。在計算機視覺領(lǐng)域，神經(jīng)輻射場 (Neural Radiance Fields, NeRF)是用一個隱式函數(shù)來表示環(huán)境。我們將NeRF這樣的隱式環(huán)境表示擴展到移動機器人二維室內(nèi)定位任務(wù)中，提出了一種神經(jīng)占據(jù)場，使用神經(jīng)網(wǎng)絡(luò)來隱式的表示用于替代機器人定位任務(wù)中的二維地圖。

通過預訓練的神經(jīng)網(wǎng)絡(luò)，我們可以渲染合成當前場景下任意機器人姿態(tài)所對應(yīng)的的2D 激光掃描?；谠撾[式地圖，我們提出了一個觀測模型來計算渲染和真實掃描之間的相似性，并將其集成到MCL系統(tǒng)中進行準確的定位。我們在一組自己收集的數(shù)據(jù)集和三個公開可用的數(shù)據(jù)集上進行評估。實驗結(jié)果證明我們的方法可以準確高效地估計機器人的姿態(tài)，并在定位性能優(yōu)于現(xiàn)有的方法。實驗表明，所提出的隱式地圖模型能夠更準確的表示場景，從而提升了MCL系統(tǒng)中觀測模型的性能。

主要貢獻

我們提出了神經(jīng)占據(jù)場，一種隱式場景表示模型，在該模型之上提出了一個高性能的觀測模型，并整合到基于2D 激光的全局定位系統(tǒng)之中; 我們通過多個數(shù)據(jù)集的實驗評估，實驗結(jié)果證明，與使用傳統(tǒng)場景表示模型（例如：占據(jù)柵格地圖，希爾伯特地圖）相比，我們的方法在機器人全局定位方面具有競爭力的性能，且能快速收斂，并實時運行。

主要方法

隱式場景表示

我們利用一組已知準確姿態(tài)的2D激光數(shù)據(jù)作為訓練樣本。如下圖所示，首先根據(jù)每一個樣本的姿態(tài)和2D激光雷達的內(nèi)參設(shè)置計算得到激光雷達每一條射線的方向，接著在每一條射線上均勻采樣N個空間點。之后，神經(jīng)網(wǎng)絡(luò)將采樣得到的每一個空間點p作為輸入，并輸出該空間點所對應(yīng)的占據(jù)概率pocc。



最后，對于每一條射線，利用光線投射（ray-casting）算法根據(jù)采樣點的深度m及其占據(jù)概率pocc進行渲染得到射線所對應(yīng)的深度值：





最終，估計出當前機器人姿態(tài)下可能會觀測到的2D激光掃描。接下來，我們通過計算幾何損失以及對預測的占據(jù)概率添加正則化來優(yōu)化神經(jīng)網(wǎng)絡(luò)的參數(shù)。

幾何損失是2D激光掃描的估計值和觀測值之間的 L1損失：



占據(jù)概率的正則化通過計算一個負對數(shù)似然來約束占據(jù)概率的預測值接近于1（被占據(jù)）或0（不被占據(jù)）：



最終，用與優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)的損失函數(shù)為：



全局定位系統(tǒng)

當神經(jīng)網(wǎng)絡(luò)訓練完成后，我們可以通過預測環(huán)境中任意機器人姿態(tài)所對應(yīng)的2D激光觀測。因此，我們將其整合到MCL系統(tǒng)之中，作為一個MCL系統(tǒng)的觀測模型。MCL系統(tǒng)如下圖所示，為了確定機器人當前的姿態(tài)，我們首先在當前場景下采樣一定數(shù)量的機器人姿態(tài)，稱之為“粒子”，如圖中藍色圓環(huán)所示。

每一個粒子包含了一個假設(shè)的機器人姿態(tài)和一個權(quán)重。當機器人在環(huán)境中運行時，基于隱式表示的觀測模型將每一個粒子的姿態(tài)作為輸入，預測其在該姿態(tài)下的2D激光掃描，通過和真實的觀測值進行比對來更新粒子的權(quán)重，并在每一迭代中移除低權(quán)重的粒子，保留高權(quán)重的粒子。重復該過程，粒子最終會收斂到真實姿態(tài)周圍的一個小區(qū)域。我們最終通過對收斂后的粒子姿態(tài)進行加權(quán)平均后得到估計的機器人姿態(tài)。



主要結(jié)果

室內(nèi)全局定位

我們將現(xiàn)有的蒙特卡洛定位算法作為基線，在我們收集的數(shù)據(jù)集上對比了全局定位的精度，實驗結(jié)果如下所示。實驗結(jié)果證明，對比于現(xiàn)有的室內(nèi)定位算法，我們的方法在定位精度上達到了SOTA。此外，相比于之前的方法，我們的算法能更快的收斂。我們還補充了一個姿態(tài)追蹤實驗，用于證明我們的算法在不同量級的粒子數(shù)目下依然能表現(xiàn)出精確的定位能力。



觀測模型

我們在三個經(jīng)典的室內(nèi)數(shù)據(jù)集（Freiburg Building 079, Intel Lab, MIT CSAIL）對我們的觀測模型進行了評估。通過與基于柵格地圖的觀測模型進行對比，證明了隱式場景表示是一種更準確的地圖表示方法。當訓練數(shù)據(jù)較少時（如MIT CSAIL數(shù)據(jù)集），在預測沒有包含在訓練集中的區(qū)域時，隱式地圖展現(xiàn)出來更好的泛化能力。

審核編輯：劉清