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

Resumo Técnico: Melhoria do Mapeamento e Localização Simultânea de um Robô Utilizando uma Transformação Eficaz para Alcançar um Modelo Linear

Problema
A Localização e Mapeamento Simultâneos (SLAM) é uma tarefa fundamental para robôs móveis, contudo, implementações padrão baseadas no Filtro de Kalman Estendido (EKF) sofrem de divergência e inconsistência. As causas primárias dessas falhas são a não linearidade inerente aos modelos de movimento e observação do robô, o que exige a linearização. Esta linearização introduz erros que se acumulam ao longo do tempo, levando a atualizações incorretas do vetor de estado, saltos na estimativa de posições e uma redução na matriz de covariância estimada que não reflete a incerteza real. Embora vários métodos, como Fast SLAM, Unscented Fast SLAM (UnFS) e variantes do Cubature Kalman Filter (CKF), tenham sido propostos para mitigar esses problemas, eles frequentemente dependem de aproximações complexas ou ainda lutam com a consistência em ambientes extensos ou sob alta incerteza sensorial.

Metodologia
O artigo propõe uma abordagem inovadora denominada LMKF SLAM (Linear Model Kalman Filter SLAM). A metodologia central envolve a transformação do modelo de espaço de estados não linear padrão em um modelo estritamente linear, permitindo assim a aplicação direta do Filtro de Kalman (KF) padrão sem a necessidade de aproximações de linearização ou cálculos de Jacobiana.

1. Transformação do Espaço de Estados:

   • Modelo de Movimento: Os autores assumem que o robô está equipado com uma bússola eletrônica simples para medir o ângulo absoluto ($\theta_k$) do robô em cada etapa. Ao incorporar esta medição, o vetor de estado é reduzido para excluir o ângulo de orientação. As equações de movimento, originalmente não lineares devido às funções trigonométricas de $\theta_k$, são transformadas. Os termos de ruído são linearizados em torno de zero, resultando em um modelo de movimento linear onde a atualização de estado depende linearmente do estado anterior e das entradas de controle.
   • Modelo de Observação: Da mesma forma, o modelo de observação, que relaciona o alcance ($r_k$) e o azimute ($\phi_k$) com as posições dos marcos (landmarks), é transformado. Ao utilizar o ângulo medido do robô $\theta_k$, as coordenadas polares dos marcos são convertidas em coordenadas cartesianas em relação ao referencial global. Esta transformação ($\zeta_k$) lineariza a relação entre os dados observados e o vetor de estado (posições do robô e dos marcos).

2. Algoritmo de Filtragem:

   • Com ambos os modelos de movimento e observação linearizados, o Filtro de Kalman padrão é aplicado diretamente.
   • O algoritmo emprega processamento sequencial para atualizações de marcos para aumentar a velocidade computacional, tratando as observações de diferentes marcos como independentes.
   • O vetor de estado consiste nas coordenadas $(x, y)$ do robô e nas coordenadas de todos os marcos observados.

Principais Contribuições

• Linearização via Transformação: O artigo introduz uma transformação simples que converte modelos de SLAM não lineares em modelos lineares usando apenas uma bússola eletrônica padrão, eliminando a necessidade de técnicas de linearização complexas como Jacobianas de EKF ou Transformações Unscented.
• Convergência Teórica: Diferente dos métodos baseados em EKF, onde as provas de convergência são difíceis devido às não linearidades, o modelo linear proposto permite uma prova rigorosa de convergência, garantindo que o erro de posicionamento absoluto dos marcos tenda a um limite inferior.
• Robustez: O método é projetado para ser altamente estável em relação às incertezas sensoriais (velocidade, ângulo de direção e ângulo do robô) e mudanças nos parâmetros do sistema.

Resultados Experimentais
Os autores avaliaram o LMKF SLAM contra os métodos padrão EKF, UnFS e ICKF (Improved CKF) utilizando tanto simulações artificiais quanto o conjunto de dados do mundo real de Victoria Park.

• Simulação (Ambiente Artificial):

  • Testes foram conduzidos em trajetórias de malha fechada (closed-loop) e malha aberta (open-loop).
  • Precisão: O LMKF demonstrou um Erro Quadrático Médio (RMSE) significativamente menor para o posicionamento tanto do robô quanto dos marcos em comparação ao EKF, UnFS e ICKF.
  • Robustez: O desempenho do LMKF permaneceu estável mesmo quando a velocidade do robô ($v$) e o ruído do sensor ($\sigma_G, \sigma_\theta$) foram aumentados. Em contraste, o RMSE do EKF e ICKF cresceu rapidamente com o aumento do ruído e da velocidade.
  • Dependência de Trajetória: Enquanto outros métodos mostraram redução significativa de erro em trajetórias de malha fechada (devido à correção de fechamento de ciclo/loop closure), o LMKF manteve alta precisão em trajetórias de malha aberta, mostrando que seu desempenho é menos dependente da existência de ciclos de fechamento.
  • Estabilidade: O desvio padrão do RMSE ($\sigma_{RMSE}$) foi o mais baixo para o LMKF, indicando maior confiabilidade através de diferentes sequências de ruído.

• Dados do Mundo Real (Conjunto de Dados Victoria Park):

  • Utilizando um conjunto de dados com um scanner laser 2D e GPS, os autores estimaram os dados ausentes do ângulo do robô usando GPS e informações de trajetória.
  • Apesar da estimativa imprecisa do ângulo do robô (uma desvantagem para o método proposto), o LMKF alcançou o menor RMSE (1,2 m) e o Erro Absoluto Máximo (3,46 m) comparado ao EKF (2,58 m), UnFS (2,1 m) e ICKF (2,33 m).
  • O LMKF também exigiu o menor tempo de execução (45,43 segundos) em comparação com os outros métodos.

Significância e Alegações
O artigo afirma que o método LMKF SLAM proposto representa uma melhoria significativa em relação aos métodos de filtragem de última geração. Ao alcançar um modelo linear através de uma transformação simples, o método garante a convergência e oferece precisão e estabilidade superiores. Os autores enfatizam que o LMKF é particularmente robusto contra incertezas sensoriais e mudanças nos parâmetros do sistema, superando o EKF, UnFS e ICKF mesmo sob condições em que os métodos concorrentes eram teoricamente favorecidos (por exemplo, quando os parâmetros de simulação foram ajustados para beneficiar os modelos não lineares). O estudo conclui que esta abordagem aborda efetivamente os problemas de divergência comuns no SLAM baseado em EKF sem exigir uma sobrecarga computacional complexa.