每天一分鐘，帶你讀遍機器人頂級會議文章
標題：Active SLAM using 3D Submap Saliency for Underwater V olumetric Exploration
作者：Sudharshan Suresh, Paloma Sodhi, Joshua G. Mangelson, David Wettergreen, and Michael Kaess
來源：2020 IEEE International Conference on Robotics and Automation (ICRA)
編譯：姚潘濤
審核：柴毅，王靖淇
這是泡泡一分鐘推送的第 635 篇文章，歡迎個人轉發朋友圈；其他機構或自媒體如需轉載，後台留言申請授權
摘要
本文提出了一種利用多波束聲納進行三維水下環境體積探測的主動SLAM框架。最近在集成SLAM和planning方面的工作是在保持體積自由空間信息的同時進行定位。然而，缺少信息性的閉環會導致不完美的建圖，從而導致不安全的行為。為了解決這一問題，我們提出了一種導航策略，通過平衡體積探測和重訪來降低車輛姿態的不確定性。為了確定要重新訪問的位置，我們根據真實世界的聲納數據構建一個三維可視化字典，並計算子映射顯著性的度量。基於傳播的姿態不確定性和傳感器信息增益來選擇重訪動作。在我們的位姿圖SLAM公式中，閉環被整合為約束，這些約束會使全局佔用柵格地圖變形。我們評估了我們在模擬和真實世界實驗中的性能，並強調了與不確定性無關的框架相比的優勢。
圖1 提出了一種基於聲納傳感的水下探測主動SLAM框架。它使用3D顯著性度量來維護閉環的候選重訪位置。我們的方法跟蹤最大允許不確定度，並在下一個最佳視圖探索和重訪之間進行選擇。通過優化底層位姿圖對車輛狀態估計和自由空間進行修正。
圖2 從真實聲納數據離線構建3D子圖場景字典的過程。
圖3 從收集的數據日誌中獲得最高/最低光澤分數。灰色點雲表示全局貼圖，彩色部分顯示屬於重訪姿勢的子貼圖。它們是根據分數的大小來着色的。車輛的6自由度姿態與光澤評分一起可視化。我們看到光鮮的分數和良好的循環結束候選者之間的相關性。
圖4 我們基於Teixeira等人使用的姿態圖公式。節點xi表示車輛姿態，具有里程限制和姿態先驗。調整了針對車輛漂移的姿態和相應的局部佔用柵格地圖之間的閉環約束。
圖5 我們重用次佳視圖RRT路徑導航到重新訪問的位置。為了傳播不確定性，我們沿着樹的頂點添加虛擬里程錶，並計算候選位置的不確定性。為了計算傳感器信息增益，我們對路徑進行插值並沿路徑累計未映射體素的數量。
圖6 向現有姿勢圖添加虛擬節點。這裏xr是機器人當前的姿勢，vi是一個虛擬的姿勢節點，有里程計因素。圖在候選姿勢vn處終止。
圖7 對數標度不確定比與子貼圖（對於使用20個子貼圖運行的示例）。青色圓圈表示迴路閉合，黃線表示允許的不確定度閾值。（a） 我們的方法：黃色標記表示觸發重新訪問策略。由於信息閉環，平均不確定度比率接近該閾值。（b） 無重訪方法：在這裏，由於缺少信息性的閉環，平均不確定度比率被移走。
圖8 （a）用HAUV做gazebo仿真。該環境是真實世界坦克環境的度量模型（圖12），目標是不同的幾何形狀。（b）我們基於傳感器信息增益來生長RRT樹，並且Octomap維護着自由，未知和佔用的空間。
圖9 地面真實點雲和合成圖，熱圖顯示雲到雲的誤差。此全局映射是模擬環境中20個子映射的排序。對於中心樁和梯子等結構物，與我們的方法有更好的一致性。
圖10 （a）子圖上閉環的平均次數。這三種方法的性能均低於10個子圖。除此之外，我們的方法試圖將車輛引導回良好的閉環位置，從而超過基線。（b）子圖中未知體積中觀察到的體素的平均百分比。我們的方法能夠執行更多的閉環，而不會影響觀察到的體素數量。在不重訪的情況下，百分比較低的原因可能是由於我們傳感器的幾何形狀。使用線傳感器時，我們會錯過在初始遍歷中觀察到的體素，然後在重訪軌跡中觀察到這些體素的情況。
表1 五次運行的平均雲間錯誤。從左到右，最終映射誤差減小，閉環數增加。
圖11 （a） 地面真實點雲與我們的合成圖，其中熱圖顯示雲間的誤差。（b） 對於相同的運行，我們繪製最終佔用網格地圖的橫截面（紅色：已佔用，白色：空閒空間）。（c） 好的和壞的閉環候選者覆蓋在全局映射內。
圖12 現實世界的坦克環境和HAUV運行我們的方法。
表2 三次運行中的平均雲間錯誤。我們的方法提供了更好的地圖質量，但是閉環的次數較少。這歸因於基線方法因漂移產生的不正確/簡併的匹配。通常，具有真實數據的閉環質量很差，只會導致地圖質量的改善很小。
表3 用於實際實驗的系統參數
Abstract
In this paper, we present an active SLAM framework for volumetric exploration of 3D underwater environments with multibeam sonar. Recent work in integrated SLAM and planning performs localization while maintaining volumetric free-space information. However, an absence of informative loop closures can lead to imperfect maps, and therefore unsafe behavior. To solve this, we propose a navigation policy that reduces vehicle pose uncertainty by balancing between volumetric exploration and revisitation. To identify locations to revisit, we build a 3D visual dictionary from real-world sonar data and compute a metric of submap saliency. Revisit actions are chosen based on propagated pose uncertainty and sensor information gain. Loop closures are integrated as constraints in our pose-graph SLAM formulation and these deform the global occupancy grid map. We evaluate our performance in simulation and real-world experiments, and highlight the advantages over an uncertainty-agnostic framework.