A Sensor-Centric Survey of SLAM and Odometry for GPS-Denied Environments
本文对无 GPS 环境下的 SLAM 与里程计进行了以传感器为中心的综述，通过按感知模态和成熟度层级对文献进行组织，以分析性能权衡，识别多传感器融合与神经集成等关键趋势，并论证鲁棒定位需要互补感知与不确定性感知估计器的结合，同时强调碎片化的基准测试是阻碍进展的主要障碍。
原始论文采用 CC BY 4.0 许可（https://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
想象一个被派往坍塌矿井、烟雾弥漫的建筑或黑暗深邃的水下洞穴中的机器人。在这些地方，引导手机和汽车的卫星信号无法到达。没有了外部地图，机器必须仅凭自身携带的传感器来弄清楚自己身处何处以及周围的环境。这项被称为“同步定位与建图”（SLAM）的任务，是让机器能够进行探索与让其瞬间迷失之间的区别。挑战在于，每种类型的传感器都有其盲点。摄像头像人类眼睛一样观察世界，但在全黑环境或空气中充满尘埃时会失效。激光扫描仪虽然能高精度地测量距离，但在缺乏明显特征的长空旷隧道中却难以发挥作用。即使是最先进的系统，也可能被一面毫无特征的墙壁或突然的光线缺失所误导。
由希腊地中海大学和西阿提卡大学研究人员撰写的一篇关于该领域的新综述，对这些机器在无法触及天空的情况下如何导航进行了全新的审视。作者并没有按复杂的数学方法对方法进行分类，而是通过机器人携带的硬件对整个领域进行了组织。他们检查了六组不同的传感器：仅使用摄像头的系统、将摄像头与运动传感器结合的系统、仅使用激光扫描仪的系统、将激光器与运动传感器配对的系统、融合了这三者的系统，以及最后一种使用声呐、雷达或热成像的系统。通过首先观察硬件，研究人员可以清晰地看到每种组合在特定困难环境下是如何成功或失败的。
这篇综述涵盖了近二十年的工作，从最早的系统到最新的实验。作者发现，没有任何一种单一的传感器设置是完美的。基于摄像头的系统轻便且廉租，但无法在黑暗中观察。基于激光的系统在黑暗中很稳健，但在空旷空间中会产生困惑。研究人员发现，最可靠的方法是将以不同方式失效的传感器结合起来。当摄像头被烟雾遮蔽时，激光扫描仪可能仍能看到房间的几何结构。当激光扫描仪在长廊中找不到模式时，摄像头可能会捕捉到墙上细微的纹理。通过融合这些互补的感觉，机器人即使在某个传感器暂时失效时也能保持定位。
然而，这项研究也强调了这些系统在测试方面存在的重大差距。目前大多数基准测试都是在干净、光照充足或结构清晰的环境中测试机器人。这意味着我们非常了解这些系统在情况简单时的表现，但对于它们如何处理定义现实世界灾难的最坏情况，我们却知之甚少。作者认为，该领域需要新的测试，即刻意引入混乱、黑暗和尘埃，以观察哪些系统能够真正生存下来。他们还指出，机器人构建内部地图的方式正在发生转变。旧系统创建简单的几何草图，而新方法正开始构建逼真的、照片级的3D模型，这些模型看起来就像真实世界一样，使机器人不仅能找到路径，还能详细理解场景。
最终，论文得出结论：在危险场所导航的未来不在于让单一传感器变得更好，而在于让组合变得更聪明。最好的系统是那些能够识别自己正在迷失方向、通过切换到另一种传感器进行适应，并能量化自身不确定性的系统。随着机器人被送入更复杂、更恶劣的环境（从地下隧道到水下残骸），在没有卫星信号的情况下进行导航的能力将取决于这种灵活的、多感官的智能。研究人员建议，下一个重大突破将不是一种新算法，而是一种在这些系统设计初衷所要生存的条件下进行测试的更好方法。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。