标题：Map Management Approach for SLAM in Large-Scale Indoor and Outdoor Areas
作者：Simon F. G. Ehlers, Marvin Stuede, Kathrin Nuelle and Tobias Ortmaier
编译：杨光 （泡泡机器人SLAM）
审核：柴毅，王靖淇
摘要
本文通过触发多个不同的SLAM配置，提出一种适用于不同环境下的语义地图管理方法。模块化的地图结构允许添加、识别或者删除而不会影响不同区域的其它地图。算法的层次结构优于已经使用的SLAM方法。评估激光扫描数据（例如检测通过门口）触发新的地图，自动选择合适的SLAM配置从手动的预定义列表。单独的地图通过链接点连接，这些点位于两张地图的重叠区域，可以在几张地图上实现全局导航。地图之间的回环通过基于外观的方法检测，在点云之间使用特征匹配和ICP配准。基于地图和连接点的排列，提取拓扑图用于导航和在多个地图上跟踪全局机器人的位置。我们的方法通过绘制一个具有多个室内外区域的大学校园并抽象成一个度量拓扑图来评估。与运行不同SLAM配置的单个地图比较，我们的方法通过自动选择预定义SLAM配置对于不同环境设置提高了整体地图的质量。
图1 来自地图管理器方法的度量-拓扑图结构：门通过后自动触发新地图的构建。然后地图由连接点连接（红色圆圈），连接点由边（红线）连接，绿色和蓝色（在左边）的地图是用不同SLAM配置生成的。
图2 引导机器人的底座（Netbotix MP-500）配备2D激光雷达扫描仪（SICK）和五个避免碰撞的超声波传感器。在基底顶部，在计算机上连接的一个IMU/AHRS(姿态航向参考系统，XSens MTi-30),两个RGB-D相机（Intel Realsense D435,前向和后向）和一个3D雷达(Velodyne VLP-16)。
图3 给出了在四种不同地图上具有连接点的拓扑结构。彩色的虚线表示用SLAM方法创建的不同地图。在每个连接点（门口）是地图之间的重叠。边缘的颜色强调了它所对应的地图，橙色虚线表示机器人为绘制该地图所走过的路径。
图4 检测门通过和环境变化的标准：（1）通过门柱处的导数检测门。(2)当机器人在房间内时，相对于(CF)i的min/max范围数据xt max和xt min较低。在b)中机器人通过门后，在后门可以再次检测到门柱。（3）另外，xt+1 max和xt+1 min的值现在非常大。所以xmax和xmin对时间的导数变得非常大。也得到了满足。注意，为了简单起见，本例中只显示了x值。一般来说，也可以考虑y值。同时，注意门柱的检测和最小/最大距离数据的确定并不是用完全相同的距离数据来处理的。用于检测最小/最大值的数据额外经过平均低通滤波。
图5 可视化跟踪机器人的全局位置去找到合适的闭环。在这种情况下，地图M3和M0之间的回环使用候选连接点LCO检测。由于机器人和世界原点之间只存在一个拓扑连接，所以全局位姿必须通过(CF)0到(CF)1的组合变换来计算，(CF)2到(CF)3。不确定性越高候选回环的搜索半径(浅蓝色圆圈)越大。在本例中，只有链接点候选LC0被基于外观的回环检测，因为它是搜索半径内的唯一回环。这产生了一个更有效和健壮的回环检测。该图显示了图3中所示图形的前一个时间步骤。
表一 对于实验评估的RTAB-MAP配置
图6 a):使用我们的地图管理方法展示的大学校园地图的一部分。绿色的地图是基于配置1（小距离）创建的，蓝色的地图是基于配置2（远距离）创建的。b):根据a)中的地图结构创建的拓扑图，其边缘颜色与地图相关。
图7 a):使用引入的大回环地图管理方法。b):使用配置1的RTAB-MAP的带有大回环单个地图。c):从配置2的室内环境地图中裁剪出单个地图，这三种方法使用相同的数据。经过的路径用蓝线表示。在建图过程中，相同路径经过两次使用RTAB-MAP查找回环。在b)错误的SLAM配置导致的地图误差被标记为红色。c)在室内使用配置2的缺点被显示。由于最大障碍高度为3:5m，门上方的墙壁和部分天花板被检测为障碍物(见1和2)。在位置3，经过路径(RTAB-Map 图)与墙壁发生碰撞，可能是由于图优化问题过于复杂。通过分割区域来降低优化问题的复杂性，如图a)所示。
Abstract
This work presents a semantic map management approach for various environments by triggering multiple maps with different simultaneous localization and mapping (SLAM) configurations. A modular map structure allows to add, modify or delete maps without influencing other maps of different areas. The hierarchy level of our algorithm is above the utilized SLAM method. Evaluating laser scan data (e.g. the detection of passing a doorway) triggers a new map, automatically choosing the appropriate SLAM configuration from a manually predefined list. Single independent maps are connected by link-points, which are located in an overlapping zone of both maps, enabling global navigation over several maps. Loop closures between maps are detected by an appearance-based method, using feature matching and iterative closest point (ICP) registration between point clouds. Based on the arrangement of maps and link-points, a topological graph is extracted for navigation purpose and tracking the global robot’s position over several maps. Our approach is evaluated by mapping a university campus with multiple indoor and outdoor areas and abstracting a metrical-topological graph. It is compared to a single map running with different SLAM configurations. Our approach enhances the overall map quality compared to the single map approaches by automatically choosing predefined SLAM configurations for different environmental setups.
如果你对本文感兴趣，请点击点击阅读原文下载完整文章。百度网盘提取码：qz69
本文仅做学术分享，如有侵权，请联系删文。
