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

Technische Samenvatting: Verbetering van de Simultane Lokalisatie en Kaartvorming van een Robot door middel van een Effectieve Transformatie om een Lineair Model te Bereiken

Probleemstelling
Simultane Lokalisatie en Kaartvorming (SLAM) is een fundamentele taak voor mobiele robots, maar standaard implementaties gebaseerd op het Extended Kalman Filter (EKF) lijden aan divergentie en inconsistentie. De primaire oorzaken van deze fouten zijn de inherent niet-lineaire aard van robotbewegings- en observatiemodellen, wat linearisatie noodzakelijk maakt. Deze linearisatie introduceert fouten die over tijd accumuleren, wat leidt tot onjuiste updates van de toestandsvector, sprongen in de geschatte posities en een reductie van de geschatte covariantie-matrix die de werkelijke onzekerheid niet weerspiegelt. Hoewel diverse methoden zoals Fast SLAM, Unscented Fast SLAM (UnFS) en Cubature Kalman Filter (CKF) varianten zijn voorgesteld om deze problemen te mitigeren, vertrouwen zij vaak op complexe benaderingen of worstelen zij nog steeds met consistentie in grote omgevingen of onder hoge sensoronzekerheid.

Methodologie
Het artikel stelt een nieuwe aanpak voor genaamd LMKF SLAM (Linear Model Kalman Filter SLAM). De kern van de methodologie bestaat uit het transformeren van het standaard niet-lineaire toestandsruimtemodel naar een strikt lineair model, waardoor de directe toepassing van het standaard Kalman Filter (KF) mogelijk wordt zonder de noodzaak voor linearisatie-benaderingen of Jacobian-berekeningen.

1. Toestandsruimte Transformatie:

   • Bewegingsmodel: De auteurs gaan ervan uit dat de robot is uitgerust met een eenvoudige elektronische kompas om de absolute hoek ($\theta_k$) van de robot bij elke stap te meten. Door deze meting te integreren, wordt de toestandsvector gereduceerd door de oriëntatiehoek uit te sluiten. De bewegingsvergelijkingen, die oorspronkelijk niet-lineair waren door trigonometrische functies van $\theta_k$, worden getransformeerd. De ruistermen worden gelineariseerd rond nul, wat resulteert in een lineair bewegingsmodel waarbij de toestandsupdate lineair afhankelijk is van de vorige toestand en controle-inputs.
   • Observatiemodel: Op vergelijkbare wijze wordt het observatiemodel, dat de afstand ($r_k$) en de hoek ($\phi_k$) relateert aan de posities van landmarks, getransformeerd. Door de gemeten robothoek $\theta_k$ te gebruiken, worden de polaire coördinaten van de landmarks omgezet naar Cartesiaanse coördinaten ten opzichte van het globale kader. Deze transformatie ($\zeta_k$) lineariseert de relatie tussen de geobserveerde data en de toestandsvector (robot- en landmarkposities).

2. Filteralgoritme:

   • Nu zowel de bewegings- als de observatiemodellen lineair zijn gemaakt, kan het standaard Kalman Filter direct worden toegepast.
   • Het algoritme maakt gebruik van sequentiële verwerking voor landmark-updates om de computationele snelheid te verhogen, waarbij observaties van verschillende landmarks als onafhankelijk worden behandeld.
   • De toestandsvector bestaat uit de $(x, y)$-coördinaten van de robot en de coördinaten van alle geobserveerde landmarks.

Belangrijkste Bijdragen

• Linearisatie via Transformatie: Het artikel introduceert een eenvoudige transformatie die niet-lineaire SLAM-modellen omzet in lineaire modellen met behulp van enkel een standaard elektronisch kompas, waardoor complexe linearisatietechnieken zoals EKF Jacobians of Unscented Transformations overbodig worden.
• Theoretische Convergentie: In tegenstelling tot EKF-gebaseerde methoden waar convergentiebewijzen moeilijk zijn vanwege niet-lineariteiten, staat het voorgestelde lineaire model een rigoureus convergentiebewijs toe, wat garandeert dat de absolute positioneringsfout van landmarks neigt naar een ondergrens.
• Robuustheid: De methode is ontworpen om zeer stabiel te zijn ten opzichte van sensoronzekerheden (snelheid, stuurhoek en robothoek) en veranderingen in systeemparameters.

Experimentele Resultaten
De auteurs hebben LMKF SLAM geëvalueerd tegenover standaard EKF, UnFS en Improved CKF (ICKF) met behulp van zowel kunstmatige simulaties als de echte Victoria Park-dataset.

• Simulatie (Kunstmatige Omgeving):

  • Tests werden uitgevoerd op zowel closed-loop als open-loop paden.
  • Nauwkeurigheid: LMKF vertoonde een significant lagere Root Mean Square Error (RMSE) voor zowel de robot- als de landmark-positionering vergeleken met EKF, UnFS en ICKF.
  • Robuustheid: De prestaties van LMKF bleven stabiel, zelfs wanneer de robotsnelheid ($v$) en de sensorruis ($\sigma_G, \sigma_\theta$) werden verhoogd. In tegenstelling hiertoe groeide de RMSE van EKF en ICKF snel bij een toename van ruis en snelheid.
  • Padafhankelijkheid: Terwijl andere methoden een significante foutreductie vertoonden in closed-loop paden (door loop closure correctie), behield LMKF een hoge nauwkeurigheid in open-loop paden, wat aantoont dat de prestaties minder afhankelijk zijn van de aanwezigheid van closed loops.
  • Stabiliteit: De standaarddeviatie van de RMSE ($\sigma_{RMSE}$) was het laagst voor LMKF, wat wijst op een hogere betrouwbaarheid over verschillende ruissequenties.

• Echte Data (Victoria Park Dataset):

  • Met behulp van een dataset met een 2D-laserscanner en GPS, schatten de auteurs de ontbrekende robothoekgegevens in op basis van GPS en padinformatie.
  • Ondanks de onnauwkeurige schatting van de robothoek (een nadeel voor de voorgestelde methode), bereikte LMKF de laagste RMSE (1,2 m) en Maximale Absolute Fout (3,46 m) vergeleken met EKF (2,58 m), UnFS (2,1 m) en ICKF (2,33 m).
  • LMKF vereiste ook de minste executietijd (45,43 seconden) vergeleken met de andere methoden.

Betekenis en Claims
Het artikel claimt dat de voorgestelde LMKF SLAM-methode een significante verbetering vormt ten opzichte van de huidige state-of-the-art filteringmethoden. Door een lineair model te bereiken via een eenvoudige transformatie, garandeert de methode convergentie en biedt zij superieure nauwkeurigheid en stabiliteit. De auteurs benadrukken dat LMKF bijzonder robuust is tegen sensoronzekerheden en veranderingen in systeemparameters, waarbij het EKF, UnFS en ICKF overtreft, zelfs onder condities waarbij de concurrerende methoden theoretisch in het voordeel waren (bijv. wanneer simulatieparameters werden afgestemd om de niet-lineaire modellen te bevoordelen). De studie concludeert dat deze aanpak de divergentieproblemen die gebruikelijk zijn bij EKF-gebaseerde SLAM effectief aanpakt zonder dat er complexe computationele overhead nodig is.