基于热核签名的位姿图拓扑完整性评估:SLAM地图质量检验新方法
《Robotics》:PGTI: Pose-Graph Topological Integrity for Map Quality Assessment in SLAM
【字体:
大
中
小
】
时间:2025年12月25日
来源:Robotics 3.3
编辑推荐:
本文提出了一种创新的位姿图拓扑完整性(PGTI)评估框架,通过热核签名(HKS)量化位姿图与自由空间约束导出的支撑图之间的拓扑不一致性。该方法突破了传统基于协方差最优性准则(如D-opt、E-opt)的局限性,能够多尺度、逐顶点地检测拓扑错误(如轨迹碰撞、误闭环),为同步定位与地图构建(SLAM)系统的地图正确性评估提供了直接拓扑验证工具。实验表明PGTI可区分严重与无害拓扑错误,对主动SLAM和多智能体SLAM具有重要应用价值。
在同步定位与地图构建(SLAM)领域,评估代表机器人探索空间的地图的正确性至关重要。随着机器人移动,关键帧作为节点插入位姿图,关键帧之间的相对位姿作为边添加。由于误差积累不可避免,位姿图优化(PGO)被应用于细化轨迹并生成全局一致的地图。然而,生成地图的质量根本上取决于底层位姿图的结构正确性,这促进了对位姿图正确性进行定量评估的需求。
传统的地图质量评估方法侧重于基于协方差的最优性准则。主要准则使用从费舍尔信息矩阵(FIM)导出的度量,如D-opt、E-opt和T-opt。虽然这些方法量化了位姿图的不确定性,但它们通常依赖于启发式确定的协方差设置和难以获得的精确校准传感器参数。此外,不确定性评估并不表明位姿图是否准确反映了环境的真实拓扑结构,这是确保地图正确性的关键因素。具体来说,基于协方差的不确定性准则仅依赖于局部线性化的测量模型及其假定的噪声统计量。它们总结了位姿之间相对运动的估计精度,但并未编码生成的整体地图是否具有准确的全局连通性。在实践中,当错误的闭环被分配过度自信的协方差时,拓扑不正确的地图可能显得“约束良好”。这种不匹配促使需要一种专门的面向拓扑的度量,能够直接评估地图表示与真实环境之间的一致性。
尽管确保拓扑正确性至关重要,但这是一种脆弱的实践,因为误差积累和不当的数据关联可能会给地图拓扑引入缺陷。例如,由于漂移导致的意外轨迹碰撞以及错误或缺失的闭环可能最终改变探索空间的拓扑结构。图1显示了一个错过闭环的示例。这对于主动SLAM和多智能体SLAM尤为重要,因为智能体必须为探索空间构建一致且准确的地图。然而,现有的测量地图拓扑的方法往往是隐式和间接的。例如,TopoMap和神经拓扑SLAM等框架在SLAM输出之上构建新的拓扑图,它们的表示依赖于系统特定的处理、阈值或训练。因此,它们不提供可以直接应用于任意位姿图并跨不同系统或数据集比较的简单定量分数。此外,这些方法侧重于构建或利用辅助拓扑结构,而不是明确验证SLAM产生的原始位姿图是否与探索的自由空间的真实连通性在拓扑上一致。
为了应对这些挑战,我们提出了一种称为位姿图拓扑完整性(PGTI)的测量框架。利用位姿图优化中误差传播与热扩散之间的关系,PGTI采用热核签名(HKS)来捕获拓扑结构。我们引入了一个结合自由空间约束与原始位姿图的支撑图来表示观察到的空间的拓扑。然后,PGTI直接比较从位姿图提取的拓扑特征与从支撑图提取的特征。通过引入这种新颖的拓扑视角,PGTI因此设法克服了基于协方差方法的局限性。
HKS的选择并非随意。一旦PGO问题被线性化,高斯-牛顿迭代根据图拉普拉斯算子沿位姿图传播残差误差,该算子是热扩散过程的生成器。在这种观点下,在顶点注入扰动并观察其随时间扩散等效于研究估计误差如何在整个位姿图中传播。HKS提供了这种扩散行为在每个顶点的紧凑多尺度摘要。通过比较原始位姿图和自由空间支撑图上的HKS,PGTI直接检查位姿图是否是探索自由空间的准确拓扑代理,而不是依赖于不确定性的间接标量指数。
位姿图提供了环境的拓扑表示,其中节点代表机器人位姿,边编码它们之间的相对变换。随着新数据的加入,这些图被增量构建。然而,不可避免的误差积累可能导致诸如尺度漂移等问题。提出了PGO来细化轨迹并保持全局一致性。
然而,确保位姿图的正确性是困难的。虽然闭环检测和PGO可以减轻漂移,但它们不能保证位姿图的拓扑准确反映探索空间的拓扑。意外的轨迹碰撞和不正确的数据关联可能扭曲图结构,导致不准确或误导的优化结果。这突出了从拓扑角度评估地图正确性的评估方法的需求。
传统上,SLAM中的地图质量使用基于协方差的不确定性分析进行评估。经典方法通过协方差椭球体估计不确定性,通过应用最优实验设计理论中的最优性准则。这些方法通过分析FIM的特征值使用D-、T-和E-最优性等准则来评估地图准确性。
虽然基于协方差的方法在许多场景中已成功证明,但在实际的大规模应用中面临显著挑战。例如,大型协方差矩阵的特征值分解计算成本高。为了克服这个问题,最近的研究探索了基于图的最优性准则,这些准则使用位姿图的拓扑来近似基于协方差的度量,建立了FIM与图拉普拉斯算子之间的数学联系。这使得计算更快、更可扩展。由于这种加速,许多SLAM算法已充分利用这些好处。
此外,它们并没有从根本上解决基于协方差方法的另一个局限性,即协方差估计过程。在许多实际系统中,这个过程是基于启发式的,而不是严格推导或校准的。例如,信息矩阵(协方差的逆)在实际视觉SLAM系统中通常被设置为(缩放的)单位矩阵以简化。虽然这对于优化是合理且方便的,但这意味着由此产生的不确定性不能反映估计问题的真实统计量,这破坏了不确定性分析的可靠性。
SLAM中的位姿图固有地编码了一些拓扑约束,并且有许多最近的工作证明图拓扑是不确定性和决策制定的强大代理。Chen等人研究了位姿图的锚点选择,将SLAM优化重新表述为基数约束的子模最大化问题,并具有高效的贪婪算法和性能保证。Kitanov和Indelman提出了拓扑信念空间规划,它使用未来因子图的轻量级拓扑签名来对主动SLAM的候选动作进行排序。基于视觉的导航和感知的最新综述回顾了处理位姿图形式拓扑信息的广泛SLAM策略。
一个核心挑战是位姿图主要捕获机器人轨迹和测量的连通性,而不是周围自由空间的连通性。因此,即使估计的轨迹看起来局部一致,位姿图在全局意义上仍然可能与实际环境拓扑不一致。例如,传感器数据中的噪声和累积误差可能导致映射不准确,这进一步影响位姿图连接。感知别名是另一个常见问题,导致错误的闭环,损害图拓扑。因此,从拓扑上评估地图变得重要。
也存在几种明确利用地图拓扑使用图论公式的方法。Vallvé等人解决了稀疏化后如何保留关键拓扑边的问题,Mu等人引入了一种拓扑特征图,基于熵度量来平衡探索和闭环。此外,已经引入了几种映射框架来增强拓扑。Topomap将稀疏视觉特征转换为凸自由空间簇的3D拓扑图,用于高效路径规划。PRISM-TopoMap通过使用多模态位置识别和扫描匹配构建局部对齐位置的图来执行在线拓扑映射,而不依赖于全局度量地图。NavTopo在完整导航管道中利用此类拓扑图,结合基于图的高级规划和局部度量规划,以在大型环境中实现内存高效的导航。一些结合SLAM输出、拓扑结构和深度强化学习技术的神经映射程序也被提出。视觉图记忆引入了一种无监督的图结构记忆,其中节点存储图像嵌入,边编码可达性,图卷积策略从该记忆读取以采取行动,而无需显式度量位姿。最近,Zhao等人提出了一种无SLAM框架,该框架从纯视觉输入构建语义-概率拓扑图,基于视觉语言模型的进展,并结合分层视觉语言感知与粗到细的语义规划。
虽然这些方法明确地结合了拓扑结构,但它们侧重于为导航和探索构建或利用新的拓扑表示。它们的拓扑表示依赖于系统特定的启发式、阈值或训练目标。此外,它们没有明确和直接地验证底层SLAM位姿图是否与环境自由空间的真实连通性拓扑一致,这正是我们在这项工作中解决的问题。
在这项工作中,我们基于这些见解并引入PGTI。与以前的方法不同,PGTI使用直接的拓扑表示,并能够对位姿图结构与探索空间的实际拓扑进行显式比较。这为地图正确性评估提供了一个更强大和可推广的框架。
位姿图表示为Gp= (Vp, Ep),其中Vp和Ep是顶点和边的集合。通常,每个顶点vi对应地图中的第i个关键帧,εij代表连接vi和vj的边。每条边εij用一个信息矩阵Ωij加权。|Vp|表示顶点数,|Ep|是位姿图中的边数。此外,每个顶点vi有ni个相邻地标,表示为{l(i)1, l(i)2, ..., l(i)ni},包括所有与vi连接的地标和所有其他与vi连接的顶点。
每个顶点vi的位姿表示为pi,每条边εij∈ Ep与顶点vi和vj之间的相对测量相关,记为rij。参数pi, pj和rij通常表示为李群如SE(2)、SE(3)和Sim(3)中的元素。
给定符号,我们现在可以获得PGO的形式定义。我们将PGO表述如下:
p★= arg min{pi}(1/2) Σ(i,j)∈EeijTΩijeij,
其中ln(·)表示对数映射,(·)∨表示相应李代数元素的向量化。
HKS是一种通过模拟图结构上的热扩散来捕获图内在拓扑特性的描述符。给定一个图G = (V, E)及其图拉普拉斯算子L,图G内部的热扩散计算如下:
其中h(t)表示时间t的温度分布。热核则由K(t) = e-Lt给出。给定{λk, φk| k ∈ [1, |V|]}是L的特征系统,顶点vi∈ V的缩放HKS Ψi定义为:
Ψi(τ) = [ψ?i(t1), ψ?i(t2), ..., ψ?i(tn)],
其中τ = {t1, ..., tn}是对数间隔的时间步长,ψ?i(t)是Kii(t)的缩放版本,定义为:
ψ?i(t) = (Σλk>0e-λkt|φk(i)|2) / (Σλk>0e-λkt).
根据,较小的时间步长突出更多局部特征,而较大的时间步长反映与更广泛拓扑结构相关的特征。
一般来说,HKS提供了一个紧凑的多尺度描述符,描述了位姿图误差(视为扩散热)在我们的上下文中如何随时间从每个顶点传播。
在本节中,我们建立了图上热扩散过程与PGO期间误差传播之间的关系。我们旨在推导的要点是(1)PGO是非线性空间上的相对一致性问题,以及(2)相对一致性问题等同于具有外部强迫项的热扩散过程。
相对一致性问题与PGO:一致性问题模拟一组智能体如何与局部交互达成一致。给定一个图G = {V, E},其中每个顶点持有状态x
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号