⚡ electrical engineering

A Smart-Scheduled Hybrid (SSH) EKF-FGO State Estimation

本文通过实验表征了在智能调度混合（SSH）EKF-FGO框架中，优化调度作为一个关键且独立的设计变量，证明了通过策略性地安排批量优化的时机，可以在保留状态估计中大部分全局一致性收益的同时，显著降低计算成本。

原作者： Eric Levi, Soosan Beheshti

发布于 2026-06-16

📖 1 分钟阅读☕ 轻松阅读

原作者： Eric Levi, Soosan Beheshti

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下你正在尝试引导一个机器人在迷宫中穿行。为此，机器人需要不断猜测自己所处的位置。这篇论文的研究重点在于，如何在不耗尽机器人脑力的前提下，在快速猜测与准确猜测之间找到完美的平衡。

以下是问题的拆解与解决方案，使用了简单的类比：

问题：两种导航方式

论文对比了机器人确定位置的两种方式：

“快跑者”（EKF）： 想象一名跑步者，他们步伐迅速且自信。他们每秒钟更新一次位置。这非常快，而且消耗的能量很少。然而，因为他们不回头看地图来核对，他们会慢慢偏离航线。随着时间的推移，每一步产生的微小误差会不断累积，最终导致他们离实际位置非常遥远。
“慢速读图者”（FGO）： 想象一个人每隔几分钟就会停下来，掏出一张巨大的地图，观察每一个地标，并计算出自己相对于整个世界的精确位置。这极其准确，并且能修正之前所有的错误。但是，这需要很长时间，并且消耗大量的脑力。如果他们每秒钟都这样做，他们就永远无法移动。

解决方案：“智能调度员”

作者创建了一个名为 SSH（智能调度混合系统） 的混合系统。可以把它想象成一个由快跑者和读图者组成的团队，他们协同工作，但有一套严格的规则手册来规定读图者何时可以发言。

常规流程： 快跑者（EKF）保持持续移动并每秒更新一次位置。这让机器人的移动保持平滑且高效。
检查点： 系统不是每秒都检查地图（太慢），也不是直到最后才检查（漂移太大），而是使用了一个调度表。每隔 $W$ 秒（即“调度间隔”），系统会暂停，请出读图者（FGO），并修正快跑者累积的错误。
重置： 一旦读图者修正了位置，快跑者就会将其内部指南针重置到这个新的、准确的位置，然后重新开始奔跑。

重大发现：“不对称权衡”

论文的主要发现是关于检查地图的频率与成本之间一种令人惊讶的关系。

想象你在开车并查看 GPS。

如果你每 10 秒检查一次 GPS： 你非常准确，但你经常分心，而且非常耗电。
如果你每 100 秒检查一次 GPS： 你节省了大量的电池（计算成本），而且不会频繁分心。

论文发现，成本下降得像坠落的石头一样快，而误差增长得却像缓和的小丘一样平缓。

成本： 如果你减少检查地图的频率，你的计算机工作量会大幅下降（你节省了大量的能量）。
误差： 如果你减少检查地图的频率，你的位置只会变得稍微差一点，而不是灾难性的变差。

“黄金分割点”：
研究人员找到了一个“金发姑娘区”（即所谓的“恰到好处”的区域，具体为每 10 到 50 步检查一次）。在这个区域内，机器人节省了 90% 的计算机功率，但仍能保持极低的“漂移”（误差）——比完全不看地图进行猜测要好 85-90%。

他们测试了什么

他们在计算机模拟中进行了测试，让机器人沿着一个完美的圆圈行驶。他们尝试了不同的调度方案：

每 2 步检查一次。
每 100 步检查一次。
每 400 步检查一次。

结果：

即使在检查地图非常罕见的情况下（每 400 步检查一次），机器人的准确度仍然比完全不看地图的机器人高出 3 到 4 倍。
只要在最后至少检查过一次，最终目的地几乎都是一样的，无论你是频繁检查还是偶尔检查。
最大的益处在于旅程的中段：机器人能够在不需要进行大量复杂计算的情况下，始终保持在真实路径附近。

核心结论

论文的结论是：时机就是一切。通过将“何时检查地图”视为一个可以调节的具体旋钮，工程师可以获得两者的精华：快跑者的速度和读图者的准确性，而无需为其中任何一方支付全额代价。事实证明，你并不需要不断地查看地图才能保持航向；你只需要在正确的间隔时间进行检查即可。

技术摘要：一种智能调度混合 EKF–FGO 状态估计方法

问题陈述
在机器人领域，特别是在同步定位与地图构建（SLAM）流水线中，可靠的状态估计需要在估计精度与计算成本之间进行权衡。基于滤波的方法（如扩展卡尔曼滤波，EKF）提供了高效的实时更新，但受限于线性化误差，会导致估计器不一致性以及随时间累积的漂移。相反，使用因子图优化（FGO）的基于优化的方法通过联合精化多个状态来提高全局一致性，但会带来显著更高的计算需求。虽然这些独立方法的特性已得到充分理解，但它们结合时的时序组织方式——具体而言，即何时调用全局优化的调度策略——尚未得到系统的分析。在实践中，优化调度通常被视为一种隐式的设计选择，而非一个显式的、可调的变量。

方法论
为了填补这一空白，作者引入了一种智能调度混合（Smart Scheduled Hybrid, SSH）EKF–FGO 框架。该框架旨在使递归滤波与批处理优化之间的交互变得显式且在实验中可控。其核心方法论包括：

混合架构： 系统在每个时间步执行递归 EKF 滤波以传播状态估计。定期（由调度参数 $W$ 定义的离散间隔）触发一次批处理优化。
双向信息交换：
- EKF 到 FGO： 在每次优化事件发生时，当前的 EKF 估计值（均值 $\mu_t$ 和协方差 $P_t$ ）被注入到因子图中作为一元先验因子。该先验由缩放参数 $\alpha$ 进行加权，允许系统在遵循滤波器信念与全局优化之间进行平衡。
- FGO 到 EKF： 在批处理优化之后，EKF 使用优化后的状态估计进行重置，以保持滤波组件与优化组件之间的一致性。
实验控制： 该研究固定了求解器结构（高斯-牛顿迭代）和计算量，以隔离调度间隔 $W$ 对结果的影响。研究利用平面 SLAM 仿真及圆形轨迹，以确保分析调度效应时具有一致的几何条件。

主要贡献
本文的主要贡献是将优化调度作为混合状态估计系统中一个独立的、独特的维度进行了实验表征。本文并非提出一种新的推理算法或求解器架构，而是提供了一个受控框架，用以分析批处理优化的频率如何影响：

中间估计行为（特别是优化前的漂移）。
计算成本。
滤波与批处理优化之间的权衡空间。

结果
通过将 SSH EKF–FGO 与纯 EKF 以及经典的“仅里程计”FGO 基准（即在没有滤波的情况下进行传播）进行对比的仿真实验揭示了以下关键发现：

漂移削减： 与仅里程计传播相比，混合方法显著降低了优化前的漂移。在 $W$ 取值范围为 2 到 50 的调度间隔内，混合估计器相对于基准实现了约 80–90% 的漂移削减。即使在频率较低的间隔（如 $W=200$ ）下，其漂移仍比基准低三到四倍。
非对称权衡： 研究识别出了系统行为中的一个关键非对称性：
- 漂移： 随着调度间隔 $W$ 的增加而逐渐且单调地增加。
- 计算成本： 随着 $W$ 的增加而迅速下降。
运行区间： 这种非对称性创造了有利的运行区间（例如 $W \in [10, 50]$ ），在此区间内，系统在保留频繁优化带来的大部分漂移削减收益的同时，能降低一个数量级以上的计算负载。
最终精度： 混合估计器的最终绝对轨迹误差（ATE）在所有调度间隔下几乎保持恒定，并与纯批处理 FGO 的精度高度接近，这表明只要至少进行了一次批处理优化，调度主要影响的是中间行为而非最终收敛。

意义
论文得出结论，优化调度是混合状态估计系统中一个关键但研究不足的设计维度。研究结果表明，通过将调度作为一个可调参数进行显式处理，工程师可以更有效地在估计精度与计算效率之间进行权衡。SSH 框架能够实现保留 FGO 级别的全局一致性与 EKF 级别的中间稳定性，同时实现大幅度的计算节省。作者将这项工作定位为不是为了取代成熟的增量求解器（如 iSAM2），而是作为一种理解混合系统中调度基本动态特性的工具，并计划在未来工作中将其扩展到自适应策略和更复杂的轨迹分析中。