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

Résumé technique : Amélioration de la localisation et de la cartographie simultanées d'un robot grâce à une transformation efficace pour atteindre un modèle linéaire

Énoncé du problème
La localisation et la cartographie simultanées (SLAM) constituent une tâche fondamentale pour les robots mobiles, pourtant les implémentations standards basées sur le filtre de Kalman étendu (EKF) souffrent de divergence et d'incohérence. Les causes principales de ces échecs sont la non-linéarité inhérente aux modèles de mouvement et d'observation du robot, ce qui nécessite une linéarisation. Cette linéarisation introduit des erreurs qui s'accumulent au fil du temps, entraînant des mises à jour incorrectes du vecteur d'état, des sauts dans les positions estimées et une réduction de la matrice de covariance estimée qui ne reflète pas l'incertitude réelle. Bien que diverses méthodes telles que Fast SLAM, Unscented Fast SLAM (UnFS) et les variantes du filtre de Kalman de Cubature (CKF) aient été proposées pour atténuer ces problèmes, elles reposent souvent sur des approximations complexes ou peinent encore à maintenir la cohérence dans de grands environaux ou sous une forte incertitude des capteurs.

Méthodologie
L'article propose une nouvelle approche nommée LMKF SLAM (Linear Model Kalman Filter SLAM). La méthodologie centrale consiste à transformer le modèle d'espace d'état non linéaire standard en un modèle strictement linéaire, permettant ainsi l'application directe du filtre de Kalman (KF) standard sans nécessiter d'approximations de linéarisation ou de calculs de Jacobiennes.

1. Transformation de l'espace d'état :

   • Modèle de mouvement : Les auteurs supposent que le robot est équipé d'une boussole électronique simple pour mesurer l'angle absolu ($\theta_k$) du robot à chaque étape. En incorporant cette mesure, le vecteur d'état est réduit pour exclure l'angle d'orientation. Les équations de mouvement, initialement non linéaires en raison des fonctions trigonométriques de $\theta_k$, sont transformées. Les termes de bruit sont linéarisés autour de zéro, ce qui aboutit à un modèle de mouvement linéaire où la mise à jour de l'état dépend linéairement de l'état précédent et des entrées de commande.
   • Modèle d'observation : De même, le modèle d'observation, qui relie la distance ($r_k$) et le relèvement ($\phi_k$) aux positions des points de repère, est transformé. En utilisant l'angle du robot mesuré $\theta_k$, les coordonnées polaires des points de repère sont converties en coordonnées cartésiennes par rapport au référentiel global. Cette transformation ($\zeta_k$) linéarise la relation entre les données observées et le vecteur d'état (positions du robot et des points de repère).

2. Algorithme de filtrage :

   • Avec les modèles de mouvement et d'observation linéarisés, le filtre de Kalman standard est appliqué directement.
   • L'algorithme utilise un traitement séquentiel pour les mises à jour des points de repère afin d'augmenter la vitesse de calcul, traitant les observations de différents points de repère comme étant indépendantes.
   • Le vecteur d'état se compose des coordonnées $(x, y)$ du robot et des coordonnées de tous les points de repère observés.

Principales contributions

• Linéarisation par transformation : L'article introduit une transformation simple qui convertit les modèles SLAM non linéaires en modèles linéaires en utilisant uniquement une boussole électronique standard, éliminant ainsi le besoin de techniques de linéarisation complexes telles que les Jacobiennes de l'EKF ou les transformations Unscented.
• Convergence théorique : Contraっirement aux méthodes basées sur l'EKF où les preuves de convergence sont difficiles en raison des non-linéarités, le modèle linéaire proposé permet une preuve de convergence rigoureuse, garantissant que l'erreur de positionnement absolue des points de repère tend vers une limite inférieure.
• Robustesse : La méthode est conçue pour être hautement stable par rapport aux incertitudes des capteurs (vitesse, angle de braquage et angle du robot) et aux changements des paramètres du système.

Résultats expérimentaux
Les auteurs ont évalué le LMKF SLAM par rapport aux méthodes standard EKF, UnFS et ICKF (Improved CKF) en utilisant à la fois des simulations artificielles et le jeu de données réel de Victoria Park.

• Simulation (Environnement artificiel) :

  • Les tests ont été menés sur des trajectoires en boucle fermée et en boucle ouverte.
  • Précision : Le LMKF a démontré une erreur quadratique moyenne (RMSE) nettement plus faible pour le positionnement du robot et des points de repère par rapport à l'EKF, l'UnFS et l'ICKF.
  • Robustesse : La performance du LMKF est restée stable même lorsque la vitesse du robot ($v$) et le bruit des capteurs ($\sigma_G, \sigma_\theta$) augmentaient. En revanche, l'erreur RMSE de l'EKF et de l'ICKF a augmenté rapidement avec l'augmentation du bruit et de la vitesse.
  • Dépendance à la trajectoire : Alors que les autres méthodes ont montré une réduction significative de l'erreur dans les trajectoires en boucle fermée (grâce à la correction de fermeture de boucle), le LMKF a maintenu une haute précision dans les trajectoires en boucle ouverte, montrant que sa performance est moins dépendante de l'existence de boucles.
  • Stabilité : L'écart-type de la RMSE ($\sigma_{RMSE}$) était le plus bas pour le LMKF, indiquant une plus grande fiabilité à travers différentes séquences de bruit.

• Données réelles (Jeu de données Victoria Park) :

  • En utilisant un jeu de données avec un scanner laser 2D et un GPS, les auteurs ont estimé les données manquantes de l'angle du robot en utilisant le GPS et les informations de trajectoire.
  • Malgré l'estimation imprécise de l'angle du robot (un inconvénient pour la méthode proposée), le LMKF a obtenu la RMSE la plus faible (1,2 m) et l'erreur absolue maximale la plus faible (3,46 m) par rapport à l'EKF (2,58 m), l'UnFS (2,1 m) et l'ICKF (2,33 m).
  • Le LMKF a également nécessité le temps d'exécution le plus court (45,43 secondes) par rapport aux autres méthodes.

Signification et affirmations
L'article affirme que la méthode LMKF SLAM proposée représente une amélioration significative par rapport aux méthodes de filtrage de pointe. En atteignant un modèle linéaire grâce à une transformation simple, la méthode garantit la convergence et offre une précision et une stabilité supérieures. Les auteurs soulignent que le LMKF est particulièrement robuste face aux incertitudes des capteurs et aux changements de paramètres du système, surpassant l'EKF, l'UnFS et l'ICKF, même dans des conditions où les méthodes concurrentes étaient théoriquement favorisées (par exemple, lorsque les paramètres de simulation étaient ajustés pour bénéficier aux modèles non linéaires). L'étude conclut que cette approche traite efficacement les problèmes de divergence courants dans le SLAM basé sur l'EKF sans nécessendre de surcharge de calcul complexe.