机器人动态环境映射方法综述

### 机器人动态环境映射方法综述 #### 1. 动态环境映射概述 在机器人的运行过程中，其所处环境发生变化是常态而非例外。为了帮助机器人在动态环境中有效行动，研究人员开发了多种映射方法。这些方法主要用于解决环境动态方面的建模问题。 #### 2. 空间配置变化映射 空间配置变化映射的工作主要可分为以下几类： 1. **动态忽略**：早期的机器人映射工作通常假设环境中只有静态部分对机器人的操作至关重要，因此地图中只应包含静态元素。这些方法基于静态世界假设，即环境中唯一随时间变化的部分是机器人本身。此类方法并不明确对动态进行建模，而是旨在最小化移动物体产生的噪声影响。例如，Moravec和Elfes的经典工作假设世界是静态的，通过积累观测数据，可以有效地从地图中去除与动态对象相关的占用信息。 2. **动态去除**：静态世界假设存在局限性，可能会对地图质量产生负面影响。例如，当机器人遇到一扇之前被建模为打开但现在关闭的门时，这种观测结果可能有两种解释：门的状态发生了改变，或者机器人的位置判断有误。因此，在映射过程中应明确处理动态信息。动态去除方法的目标是丢弃与动态对象相关的测量数据。 3. **动态地图更新**：与动态去除方法并行发展的是动态地图更新方法。在动态地图更新中，地图或地图的特定层会不断更新，以纳入环境中动态对象状态的最新信息。 4. **动态映射**：大约在2010年左右，开始出现专注于构建动态模型的方法。与之前的方法不同，这些方法不仅要检测和最小化动态变化的影响，还要学习空间配置变化的模式。主要的范式是构建一个概率表示，对环境中特定部分的占用变化概率进行建模。 ##### 2.1 动态去除 动态去除方法的核心思想是检测动态并去除测量数据中的相关痕迹。以下是两个典型的例子： - **Wang等人的方法**：提出了一种以对象为中心的方法，将移动物体的检测和跟踪（DTMO）与同时定位和映射（SLAM）相结合。其核心是建立DTMO和SLAM之间的循环依赖关系。DTMO提供的信息用于从扫描数据中去除动态对象，从而提高配准精度；而SLAM提供的信息用于检测新的动态对象，并支持DTMO的检测步骤。不过，这种方法只能处理跟踪模块能够识别的对象所引起的动态变化，且由于对象跟踪模块获得的信息未被保留，该方法不能纳入轨迹映射方法。 - **Hähnel等人的方法**：将动态检测框架化为一个异常值检测问题，即估计给定测量数据与环境中动态对象存在的关联可能性。 这两种方法都侧重于提高环境静态部分地图的可靠性，这种地图在导航任务中具有优势，因为它可靠、只包含静态地标且不包含虚假障碍物。但动态信息对于运动规划任务也有价值，例如可以让规划器考虑环境的变化。 ##### 2.2 动态地图更新 对于某些应用，去除动态信息可能有益，但保留环境中动态元素的信息可以显著增强机器人系统的能力。以下是一些相关的方法： - **Arbuckle等人的Temporal Occupancy Grid（TOG）**：提出了一种占用网格的扩展，将过去的观测数据存储在分层占用地图中。每个层包含一定数量的测量数据，直至最新的数据。通过匹配“模式”来对动态进行分类，例如，如果长期地图和中期地图为空，但短期地图被占用，则表示检测到移动物体。然而，该方法需要保留最长时间尺度内的完整测量历史。 - **Biber和Duckett的方法**：与Arbuckle等人的方法类似，也存储过去的观测数据。但他们不将观测数据融合到特定的表示中，而是使用稳健统计方法，根据存储的历史观测数据连续估计环境的形状。他们建议维护多个集合，每个集合包含环境的过去观测数据，并以不同的规则间隔刷新这些集合。这样，这些集合以不同的速率“遗忘”环境的过去状态，类似于人类的遗忘过程。该表示使用稳健统计（如计算一组测量数据的中位数）来计算环境的更新状态，具有抑制异常值和不引入伪影的优点，但需要存储过去观测数据的内存。 - **Mitsou和Tzafestas的Temporal Occupancy Grid（TempOG）**：将离散观测数据作为时间信号存储在网格地图的每个单元格中，并使用时间索引访问结构（一种特殊的B +树）来高效存储过去观测数据的历史。 - **Burgard等人的方法**：试图最小化存储的数据量。他们建议检测环境的动态方面并有效地对其进行建模，而不是存储完整或部分的观测历史。该方法是从动态地图更新到动态映射的中间步骤，既尝试构建能够快速适应环境变化的地图，又利用了环境中某些部分遵循特定模式（如门）的知识，引入了学习环境半静态状态的方法。 - **Chen等人和Gindele等人的方法**：为了提高机器人在快速变化环境中的操作能力，需要使机器人具备预测环境未来配置的能力。Chen等人在2006年的工作中，将贝叶斯占用滤波器（BOF）用于对象跟踪过程的预处理步骤。BOF是一个贝叶斯程序，使用最新的一组观测数据来估计单元格的未来占用情况。从对象跟踪的角度来看，该方法具有明确建模不确定性、简化数据关联问题、去除对象建模问题和易于并行化等优点；从动态地图更新的角度来看，它不仅通过添加速度估计丰富了占用信息，还能估计环境的未来占用情况，但该方法不考虑环境的形状和现有运动模式，因此预测时间越长，可靠性越低。Gindele等人对Che