紧耦合多源同步定位与地图构建的融合优化关键问题研究

In simultaneously locating and mapping (SLAM), a mobile target senses unknown environment continuously to learn its own location as well as the locations of environmental feature points, which comprises a sensing, learning and optimization problem. Recent applications such as virtual reality and automatic driving pose critical requirements, including high location updating rate, high accuracy, and high reliability to the SLAM algorithms. For solving these challenges, a potential way is to leverage multi-signal fusion in SLAM. However, current multi-signal fusion SLAM algorithms generally conduct fusion in the location level, i.e., the target pose and location are calculated independently by different sensors and fusion is only used to correct the location, which is called loosely-coupled fusion. In this project, instead, we investigate tightly coupled multi-signal fusion SLAM, in which, the temporal and spatial correlations among multi-signals were investigated in every aspect of the fusion algorithm design. In particular, the signals of multiple sensors are jointly considered in all signal processing, key-frame extraction, pose updating, closure detection, global optimization steps. By investigating the deep correlation, we investigate 1) tightly coupled dynamic window extraction and optimization; 2) joint-state probabilistic filter based SLAM; 3) Graph optimization based multi-signal fusion SLAM; 4) complexity optimization of these algorithms. The goal is to establish tightly coupled, high frequency, high accuracy, high reliability multi-signal fusion SLAM algorithms and systems.

同步定位与地图构建（SLAM）是移动目标通过对未知环境的不断传感，既估算自身位置，又学习环境特征点位置的自学习优化问题。在虚拟现实、自动驾驶等广泛新型需求下，面临高精度、低延迟、高可靠性的新需求和挑战。融合多源信号改善SLAM性能是解决上述需求的主要手段，但现有融合方法，主要通过各信号分别计算目标位置姿态，在位姿层面进行融合，称为松耦合方法，其性能仍然难以满足实际要求。本课题更深入挖掘多源信号间时空相关性，将融合深入各子算法设计，研究紧耦合的多源融合SLAM方法。具体的，在信号处理、特征帧提取、姿态更新、闭环检测、整体优化每一细节，充分利用多源信号之间的互补性和相关性，研究1）动态耦合时间窗提取优化方法；2）基于联合状态概率滤波的SLAM方法；3）基于图优化多源融合SLAM方法；4）算法复杂度降低优化方法，以实现紧耦合、高刷新率、高精度、高可靠性的SLAM方法和系统。

本项目的研究背景是随着机器人、无人驾驶、AR和VR的快速发展，以及惯性导航、视觉、激光雷达、无线测距等感知技术的快速发展基于多源信号融合的同步定位与建图方法成为应用中的重点和热点。但是现有研究工作主要是通过不同的检测信号分别计算目标位置姿态，在位姿层面进行融合，这种方法称为松耦合方法，松耦合方法在测量信息存在噪声时会造成较大的定位和图结构计算误差。.针对上述问题，本项目主要研究在基于多源信号融合的同步定位与环境地图构建中的基于图优化的紧耦合的定位与建图方法。图优化方法将多源信息检测到的信息用位姿图中各个状态之间的关联边来描述，其目标是求取待计算的位姿图的各个顶点的位置和状态，使得各个顶点的位姿结果，同顶点间的多模态测量边误差最小。由于位姿图中的顶点既可以是不同智能体，也可以是相同智能体在不同时间的位置姿态，也可以是环境中的特征点，所以，基于图优化的位姿图结构计算问题可以灵活的描述机器人、AR、VR、无人机、传感网场景中的感知定位等各类问题。.本项目重点研究了紧耦合同步定位和建图中基于图优化的位姿图结构计算问题。首先针对测量网络中包含距离和角度测量、即测量信息是通过惯导、图像、无线测距测量所获得的混合测量网络，研究了在测量边存在噪声、稀疏且分布不均匀时，提出了模块拼接的图优化方法。基于模块拼接的图优化方法可以自适应的检测网络中的稠密子图，通过将稠密子图进行准确的局部结构计算，对稠密子图之间的稀疏边进行平滑平差，最后提出并设计了基于模块拼接的全图结构计算方法。在2D包括距离和角度测量的网络中，在2D距离测量网络中，3D距离测量网络中对上述方法进行了深入研究和测试，比现有方法准确度能提高50%以上。之后研究了上述方法在基于手机的室内信号地图和室内路径图构建，无人船的定位和周边环境感知中具体应用。项目研究成果在基于多源感知信号融合的稀疏有噪声网络定位与建图中具有重要的理论意义和应用价值。