Improvement of Robot's Simultaneous Localization and Mapping Using an Effective Transformation to Achieve Linear Model

Technische Zusammenfassung: Verbesserung der simultanen Lokalisierung und Kartierung eines Roboters durch eine effektive Transformation zur Erzielung eines linearen Modells

Problemstellung
Die simultane Lokalisierung und Kartierung (Simultaneous Localization and Mapping, SLAM) ist eine grundlegende Aufgabe für mobile Roboter, doch Standardimplementierungen auf Basis des erweiterten Kalman-Filters (Extended Kalman Filter, EKF) leiden unter Divergenz und Inkonsistenz. Die Hauptursachen für diese Fehler sind die inhärente Nichtlinearität im Bewegungs- und Beobachtungsmodell des Roboters, die eine Linearisierung erforderlich macht. Diese Linearisierung führt zu Fehlern, die sich über die Zeit akkumulieren, was zu fehlerhaften Aktualisierungen des Zustandsvektors, Sprüngen in den geschätzten Positionen und einer Reduktion der geschätzten Kovarianzmatrix führt, die nicht die wahre Unsicherheit widerspiegelt. Obwohl verschiedene Methoden wie Fast SLAM, Unscented Fast SLAM (UnFS) und Varianten des Cubature Kalman Filter (CKF) vorgeschlagen wurden, um diese Probleme zu mildern, verlassen sie sich oft auf komplexe Approximationen oder kämpfen dennoch mit der Konsistenz in großen Umgebungen oder unter hoher Sensorunsicherheit.

Methodik
Die Arbeit schlägt einen neuartigen Ansatz namens LMKF SLAM (Linear Model Kalman Filter SLAM) vor. Die Kernmethodik besteht darin, das standardmäßige nichtlineare Zustandsraummodell in ein strikt lineares Modell zu transformieren, wodurch die direkte Anwendung des Standard-Kalman-Filters (KF) ohne die Notwendigkeit von Linearisierungsapproximationen oder Jacobian-Berechnungen ermöglicht wird.

1. Zustandsraumtransformation:

   • Bewegungsmodell: Die Autoren nehmen an, dass der Roboter mit einem einfachen elektronischen Kompass ausgestattet ist, um den absoluten Winkel ($\theta_k$) des Roboters bei jedem Schritt zu messen. Durch die Einbeziehung dieser Messung wird der Zustandsvektor reduziert, indem der Orientierungswinkel ausgeschlossen wird. Die Bewegungsgleichungen, die aufgrund trigonometrischer Funktionen von $\theta_k$ ursprünglich nichtlinear sind, werden transformiert. Die Rauschterme werden um Null linearisiert, woraus ein lineares Bewegungsmodell resultiert, bei dem die Zustandsaktualisierung linear von dem vorherigen Zustand und den Steuereingaben abhängt.
   • Beobachtungsmodell: Ebenso wird das Beobachtungsmodell, das Entfernung ($r_k$) und Winkel ($\phi_k$) zu den Landmarken-Positionen in Beziehung setzt, transformiert. Durch die Nutzung des gemessenen Roboterwinkels $\theta_k$ werden die Polarkoordinaten der Landmarken in kartesische Koordinaten relativ zum globalen Frame umgewandelt. Diese Transformation ($\zeta_k$) linearisiert die Beziehung zwischen den beobachteten Daten und dem Zustandsvektor (Roboter- und Landmarkenpositionen).

2. Filteralgorithmus:

   • Da sowohl die Bewegungs- als auch die Beobachtungsmodelle linearisiert wurden, wird der Standard-Kalman-Filter direkt angewendet.
   • Der Algorithmus verwendet eine sequentielle Verarbeitung für Landmarken-Updates, um die Rechengeschwindigkeit zu erhöhen, wobei Beobachtungen von verschiedenen Landmarken als unabhängig behandelt werden.
   • Der Zustandsvektor besteht aus den $(x, y)$-Koordinaten des Roboters und den Koordinaten aller beobachteten Landmarken.

Wesentliche Beiträge

• Linearisierung durch Transformation: Die Arbeit führt eine einfache Transformation ein, die nichtlineare SLAM-Modelle unter Verwendung eines einfachen elektronischen Kompasses in lineare Modelle umwandelt und somit die Notwendigkeit komplexer Linearisierungstechniken wie EKF-Jacobians oder Unscented Transformations eliminiert.
• Theoretische Konvergenz: Im Gegensatz zu EKF-basierten Methoden, bei denen Konvergenzbeweise aufgrund von Nichtlinearitäten schwierig sind, ermöglicht das vorgeschlagene lineare Modell einen rigorosen Konvergenzbeweis, der garantiert, dass der absolute Positionierungsfehler der Landmarken gegen eine Untergrenze strebt.
• Robustheit: Die Methode ist darauf ausgelegt, hochgradig stabil gegenüber Sensorunsicherheiten (Geschwindigkeit, Lenkwinkel und Roboterwinkel) sowie Änderungen der Systemparameter zu sein.

Experimentelle Ergebnisse
Die Autoren evaluierten LMKF SLAM im Vergleich zu Standard-EKF, UnFS und verbessertem ICKF unter Verwendung sowohl künstlicher Simulationen als auch des realen Victoria Park Datensatzes.

• Simulation (Künstliche Umgebung):

  • Tests wurden sowohl auf geschlossenen als auch auf offenen Pfaden durchgeführt.
  • Genauigkeit: LMKF demonstrierte einen signifikant niedrigeren Root Mean Square Error (RMSE) sowohl für die Roboter- als auch für die Landmarkenpositionierung im Vergleich zu EKF, UnFS und ICKF.
  • Robustheit: Die Leistung von LMKF blieb stabil, selbst wenn die Robotergeschwindigkeit ($v$) und das Sensorrauschen ($\sigma_G, \sigma_\theta$) erhöht wurden. Im Gegensatz dazu wuchs der RMSE von EKF und ICKF mit zunehmendem Rauschen und Geschwindigkeit rapide an.
  • Pfadabhängigkeit: Während andere Methoden eine signifikante Fehlerminderung in geschlossenen Pfaden zeigten (aufgrund der Korrektur durch Loop Closure), behielt LMKF eine hohe Genauigkeit in offenen Pfaden bei, was zeigt, dass seine Leistung weniger von der Existenz geschlossener Schleifen abhängt.
  • Stabilität: Die Standardabweichung des RMSE ($\sigma_{RMSE}$) war für LMKF am niedrigsten, was auf eine höhere Zuverlässigkeit über verschiedene Rauschsequenzen hinweg hindeutet.

• Reale Daten (Victoria Park Datensatz):

  • Unter Verwendung eines Datensatzes mit einem 2D-Laserscanner und GPS schätzten die Autoren die fehlenden Roboterwinkeldaten mittels GPS und Pfadinformationen.
  • Trotz der unpräzisen Schätzung des Roboterwinkels (ein Nachteil für die vorgeschlagene Methode) erreichte LMKF den niedrigsten RMSE (1,2 m) und den maximalen absoluten Fehler (3,46 m) im Vergleich zu EKF (2,58 m), UnFS (2,1 m) und ICKF (2,33 m).
  • LMKF benötigte zudem die geringste Ausführungszeit (45,43 Sekunden) im Vergleich zu den anderen Methoden.

Bedeutung und Ansprüche
Die Arbeit behauptet, dass die vorgeschlagene LMKF SLAM-Methode eine signifikante Verbesserung gegenüber dem aktuellen Stand der Filtertechniken darstellt. Durch das Erreichen eines linearen Modells mittels einer einfachen Transformation garantiert die Methode Konvergenz und bietet überlegene Genauigkeit und Stabilität. Die Autoren betonen, dass LMKF besonders robust gegenüber Sensorunsicherheiten und Änderungen der Systemparameter ist und dabei EKF, UnFS und ICKF selbst unter Bedingungen übertrifft, unter denen die konkurrierenden Methoden theoretisch im Vorteil waren (z. B. wenn die Simulationsparameter zugunsten der nichtlinearen Modelle angepasst wurden). Die Studie kommt zu dem Schluss, dass dieser Ansatz die bei EKF-basiertem SLAM häufig auftretenden Divergenzprobleme effektiv löst, ohne einen komplexen Rechenaufwand zu erfordern.