SLAM后端:滤波的方法+优化的方法

Posted jessica-jie

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了SLAM后端:滤波的方法+优化的方法相关的知识,希望对你有一定的参考价值。

大神解答

一.前提

       最一般的状态估计问题,我们会根据系统是否线性,把它们分为线性/非线性系统。同时,对于噪声,根据它们是否为高斯分布,分为高斯/非高斯噪声系统。现实中最常见的,也是最困难的问题,是非线性-非高斯(NLNG, Nonlinear-Non Gaussian)的状态估计。下面先说最简单的情况:线性高斯系统。

线性高斯系统

在线性高斯系统中,运动方程、观测方程是线性的,且两个噪声项服从零均值的高斯分布。这是最简单的情况。简单在哪里呢?主要是因为高斯分布经过线性变换之后仍为高斯分布。而对于一个高斯分布,只要计算出它的一阶和二阶矩,就可以描述它(高斯分布只有两个参数技术分享图片)。
  线性系统形式如下:
技术分享图片   其中技术分享图片是两个噪声项的协方差矩阵;技术分享图片为转移矩阵和观测矩阵;技术分享图片表示技术分享图片的后验概率,用技术分享图片表示它的先验概率。因为系统是线性的,噪声是高斯的,所以状态也服从高斯分布,需要计算它的均值和协方差矩阵。记第技术分享图片时刻的状态服从:技术分享图片
  对LG系统,可以用贝叶斯法则,计算技术分享图片的后验概率分布——这条路直接通向卡尔曼滤波器。卡尔曼是线性系统的递推形式(recursive,也就是从技术分享图片估计技术分享图片)的无偏最优估计。

    (其中过程可以参考贝叶斯法则-最大似然估计

     现在的问题是如何求解这个最大化问题。对于高斯分布,最大化问题可以变成最小化它的负对数。当我对一个高斯分布取负对数时,它的指数项变成了一个二次项,而前面的因子则变为一个无关的常数项,可以略掉(这部分我不敲了,有疑问的同学可以问)。于是,定义以下形式的最小化函数:

技术分享图片

     写成矩阵形式,类似最小二乘的问题:
技术分享图片
  于是令它的导数为零,得到:
技术分享图片  
  读者会问,这个问题和卡尔曼滤波有什么问题呢?事实上,卡尔曼滤波就是递推地求解上式的过程。所谓递推,就是只用技术分享图片来计算技术分享图片。对(*)进行Cholesky分解,就可以推出卡尔曼滤波器。只把卡尔曼的结论写一下:
技术分享图片

另一方面,能否直接求解(*)式,得到技术分享图片呢?答案是可以的,而且这就是优化方法(batch optimization):将所有的状态放在一个向量里,进行求解。与卡尔曼滤波不同的是,在估计前面时刻的状态(如技术分享图片)时,会用到后面时刻的信息(技术分享图片等)。从这点来说,优化方法和卡尔曼处理信息的方式是相当不同的。

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

二.扩展卡尔曼滤波器 --- EKF自己总结(针对非线性非高斯系统)

滤波器自己的局限性:
  1. 即使是高斯分布,经过一个非线性变换后也不是高斯分布。EKF只计算均值与协方差,是在用高斯近似这个非线性变换后的结果。(实际中这个近似可能很差)。
  2. 系统本身线性化过程中,丢掉了高阶项。
  3. 线性化的工作点往往不是输入状态真实的均值,而是一个估计的均值。于是,在这个工作点下计算的技术分享图片,也不是最好的。
  4. 在估计非线性输出的均值时,EKF算的是技术分享图片的形式。这个结果几乎不会是输出分布的真正期望值。协方差也是同理。

那么,怎么克服以上的缺点呢?途径很多,主要看我们想不想维持EKF的假设。如果我们比较乖,希望维持高斯分布假设,可以这样子改:

    1. 为了克服第3条工作点的问题,我们以EKF估计的结果为工作点,重新计算一遍EKF,直到这个工作点变化够小,为迭代EKF(Iterated EKF, IEKF)。
    2. 为了克服第4条,我们除了计算技术分享图片,再计算其他几个精心挑选的采样点,然后用这几个点估计输出的高斯分布。是为Sigma Point KF(SPKF,或UKF)。

如果不那么乖,可以说:我们不要高斯分布假设,凭什么要用高斯去近似一个长得根本不高斯的分布呢?于是问题变为,丢掉高斯假设后,怎么描述输出函数的分布就成了一个问题。一种比较暴力的方式是:用足够多的采样点,来表达输出的分布。这种蒙特卡洛的方式,也就是粒子滤波(PF的思路。
  如果再进一步,可以丢弃滤波器思路,说:为什么要用前一个时刻的值来估计下一个时刻呢我们可以把所有状态看成变量,把运动方程和观测方程看成变量间的约束,构造误差函数,然后最小化这个误差的二次型。这样就会得到非线性优化的方法,在SLAM里就走向图优化那条路上去了。不过,非线性优化也需要对误差函数不断地求梯度,并根据梯度方向迭代,因而局部线性化是不可避免的。
  可以看到,在这个过程中,我们逐渐放宽了假设。

 

 

 

 

 

 

 

 

 

 

 

 

三.IEKF

四.UKF无迹卡尔曼

五. PF 粒子滤波

六. 非线性优化

非线性优化,计算的也是最大后验概率估计(MAP),但它的处理方式与滤波器不同。对于上面写的状态估计问题,可以简单地构造误差项:
技术分享图片  然后最小化这些误差项的二次型:
技术分享图片       这里仅用到了噪声项满足高斯分布的假设,再没有更多的了。当构建一个非线性优化问题之后,就可以从一个初始值出发,计算梯度(或二阶梯度),优化这个目标函数。常见的梯度下降策略有牛顿法、高斯-牛顿法、Levenberg-Marquardt方法。
  非线性优化方法现在已经成为视觉SLAM里的主流,尤其是在它的稀疏性质被人发现且利用起来之后。它与滤波器最大不同点在于, 一次可以考虑整条轨迹中的约束。它的线性化,即雅可比矩阵的计算,也是相对于整条轨迹的。相比之下,滤波器还是停留在马尔可夫的假设之下,只用上一次估计的状态计算当前的状态。可以用一个图来表达它们之间的关系:
技术分享图片  当然优化方式也存在它的问题。例如优化时间会随着节点数量增长——所以有人会提double window optimization这样的方式,以及可能落入局部极小。但是就目前而言,它比EKF还是优不少的。

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 总结

  1. 卡尔曼滤波是递归的线性高斯系统最优估计。
  2. EKF将NLNG系统在工作点附近近似为LG进行处理。
  3. IEKF对工作点进行迭代。
  4. UKF没有线性化近似,而是把sigma point(采样点)进行非线性变换后再用高斯近似。
  5. PF去掉高斯假设,以粒子作为采样点来描述分布。
  6. 优化方式同时考虑所有帧间约束,迭代线性化求解。

 

PS:
  SLAM中,状态变量经常是六自由度的位姿,由旋转矩阵和平移向量构成。然而问题是,旋转矩阵并不存在加法,只有对应到李代数上才可以清楚地定义它的运算。因此,当我们讨论这个位姿的噪声,说它服从高斯分布时,需要了解李群李代数的知识。

 



















以上是关于SLAM后端:滤波的方法+优化的方法的主要内容,如果未能解决你的问题,请参考以下文章

激光slam课程学习笔记--第7课:基于滤波的SLAM方法(Grid-based)

SLAM实现模块及功能

SLAM实现模块及功能

SLAM 中的 Kalman Filter 推导

从零开始一起学习SLAM | 点云平滑法线估计

激光slam课程学习笔记--第9课:基于图优化的激光slam方法(Grid-based)