当Vasileios Tzoumas，一位在麻省理工学院(麻省理工学院)，访问一个新的城市，他喜欢去跑步探索。有时他会迷路。几年前，在大阪参加一个长期会议时，不可避免的事情发生了。但后来Tzoumas发现了一家7- 11便利店，他记得这是他离开酒店后不久经过的。这种认知让他在精神上“闭合了回路”，将他的轨迹松散的一端连接到他知道并确信的某个地方，从而巩固了他的心理地图，让他能够走回酒店。
渐变的非凸起（GNC）算法可以帮助机器穿越陆地，水，天空和空间 - 并回来讲述故事。
闭合循环实际上是一个技术术语，指的是机器人在新环境中导航时经常要做的事情。这是一个叫做同时本地化和映射（SLAM）．SLAM并不是什么新事物。它被用于机器人真空吸尘器、自动驾驶汽车、搜救无人机以及工厂、仓库和矿山的机器人。随着自动驾驶设备和车辆导航到新的空间，从客厅到天空，它们在旅行时构建了一张地图。他们还必须利用相机、GPS和激光雷达等传感器来确定自己在地图上的位置。
随着SLAM发现更多的应用，它比以往任何时候都更重要，以确保SLAM算法产生正确的结果挑战真实世界的条件。SLAM算法通常使用完美的传感器或受控实验室条件，但在现实世界中的不完美传感器实施时，它们很容易丢失。不出所料，工业客户经常担心他们是否可以信任这些算法。
麻省理工学院的研究人员已经开发了几个健壮的SLAM算法，以及数学上证明我们有多信任它们的方法。麻省理工学院莱昂纳多职业发展助理教授卢卡·卡隆的实验室，发表了论文关于它们的渐变非凸性（GNC）算法，这减少了SLAM结果中的随机误差和不确定性。更重要的是，算法产生正确的结果，现有方法“丢失”。本文，由Carlone，Tzoumas和Carlone的学生衡阳和Pasquale Antonante，在机器人和自动化国际会议上获得了最佳纸张奖，以国际机器人和自动化（ICRA）。该GNC算法将有助于机器穿越陆地，水，天空和空间 - 并回来讲述故事。
一切都对齐了
机器人感知依赖于经常提供噪声或误导性输入的传感器。麻省理工学院的GNC算法允许机器人决定哪个数据指向信任并丢弃。调用GNC算法的一个应用形状对齐．机器人利用2D摄像机图像估计汽车的3D位置和方向。机器人接收到摄像机图像，图像上有许多点，由特征检测算法标记:前灯、车轮、后视镜。它的内存中还有一个汽车的3D模型。目标是缩放、旋转和放置3D模型，使其特征与图像中的特征对齐。“如果特征检测算法完美地完成了它的工作，这是很容易的，但很少是这样的，”Carlone说。在实际应用中，机器人会面临许多异常值(错误标记的特征)，这些异常值可能占所有观测值的90%以上。这就是GNC算法胜出并超越所有竞争对手的原因。
机器人使用一个数学函数来解决这个问题，该函数考虑到每一对特征之间的距离，例如，图像中的右前照灯和模型中的右前照灯。他们试图“优化”这个函数——以使模型的方向最小化所有这些距离。特性越多，问题就越难解决。
解决问题的一种方法是尝试所有可能的解决方案，并查看哪一个最佳工作，但有太多尝试。金宝搏官方网站一种更常见的方法，杨和antonante解释说：“是尝试一种解决方案并继续努力制作，说，模型中的前灯与2D图像中的前灯相一致 - 直到你不能再改善它了。”给出嘈杂的数据，它不会是完美的 - 也许前灯对齐，但车轮没有 - 所以你可以用另一个解决方案开始并尽可能地改进一个，重复几次过程以找到最佳结果。尽管如此，寻找最佳解决方案的机会纤细。
在实际应用中，机器人面临着许多异常值，可以占所有观察的90％以上。这就是GNC算法胜出并超越所有竞争对手的原因。
尽管具有高达70-90％的异常值，但GNC算法尽管噪声测量噪音最佳校准。图像信用：麻省理工学院。
GNC背后的想法是首先简化问题。他们将试图优化的功能——描述3D模型和2D图像之间差异的功能——简化为只有一个最佳解决方案的功能。现在，当他们选择一个解决方案并推动它时，他们最终会找到最好的解决方案。然后他们重新引入一些原始功能的复杂性，并完善他们刚刚找到的解决方案。他们一直这样做直到得到原始函数及其最优解。车头灯对齐得很好，车轮和保险杠也是。
进入圈子
本文应用GNC算法以形状对齐并猛击其他问题。在SLAM的情况下，机器人使用传感器数据来弄错其过去的轨迹并构建地图。例如，在大学校园周围漫游的机器人收集了测量的数据，表明它在上午8点到上午8:15之间有多远和方向。和上午8:15之间，上午8:30。等等。它还在上午8点上午8点拥有LIDAR和相机数据。，上午8:15。等等。偶尔，它将完成循环，在两次不同的时间看到同样的事情，就像Tzoumas一样，当他再次跑过7-Eleven时。
研究人员发现，GNC算法比最先进的技术更准确，并且可以处理更高百分比的异常值。
就像形状对齐一样，有一个要解决的优化问题。杨是纸上的第一个作家，解释说：“对于猛烈，而不是排列的功能来匹配3D模型，而是弯曲轨迹它认为它遍历地图上的对象。”首先，该系统可用于最小化不同传感器的感知行程之间的差异，因为每个传感器可能在测量中具有错误。例如，如果机器人的里程表显示它在上午8点之间旅行100米。和上午8:15，基于激光雷达和相机测量更新的轨迹应该反映该距离，或靠近它的东西。该系统还会最大限度地减少似乎在位置之间的位置之间的距离。If the robot saw the same 7-Eleven at 8:00 a.m. and 10:00 a.m., the algorithm will try to bend the recalled trajectory—adjusting each leg—so that its recalled positions at times 8:00 a.m. and 10:00 a.m. align, closing the loop.
机器人映射建筑物的内部。GNC逐渐脱离杂乱数据。在相对较少的步骤中，该算法到达建筑物内部的准确图。图像信用：麻省理工学院。
同时，该算法识别并丢弃异常值不好的数据点，以至于它认为它正在重新定步其步骤，但它不像形状对齐中的误标定功能一样。你不想诬陷一个循环。Tzoumas召回了一段时间，跑过缅因州的树林，当他跑过一系列看起来熟悉的堕落树干。他认为他已经关闭了循环，并使用这个假设的地标，他轮到了。只有在没有看到其他任何熟悉20分钟后，他才怀疑他的错误并回头。
在优化之前被召回的轨迹可能看起来像一个缠结在一起的线球。解开后，它就像一组直角线，反映了机器人穿过的校园通道和走廊的形状。这种SLAM过程的技术术语是姿态图优化．
在本文中，研究人员将其GNC算法与其他算法进行了若干应用，包括形状对准和姿势图优化。他们发现它们的方法比最先进的技术更准确，并且可以处理更高百分比的异常值。对于Slam，即使四个循环关闭中的三个误，它也会弄错了，这比在现实世界中遇到了更多的异常值。更重要的是，它们的方法通常比其他算法更有效，需要更少的计算步骤。Tzoumas说：“其中一个困难是在许多应用程序中找到良好的通用算法。”杨说他们已经尝试了超过10.到底，Tzoumas说，他们发现了“甜蜜的地方”。
MATLAB生成的地图从源自草坪的机器人派生的数据创建的地图。左：草坪的原始地图。中间：用公共SLAM算法进行优化地图，其包括来自未知异常循环闭环的错误标记数据。右：用GNC算法进行优化地图。
来自Mathworks的机器人研究科学家Roberto G. Valenti表示，从研究开始研究是研究结果的重要一步。MathWorks一直与Carlone的实验室合作，将GNC算法集成到Matlab中作为导航工具箱™的一部分，该公司用于在商业和工业自治系统上实施Slam。
走出树林
Carlone的实验室正在努力扩展其GNC算法的能力。例如，阳旨在设计可以认证正确的感知算法。和安东尼塔正在寻找管理不同算法的不一致的方法：如果自动车辆中的SLAM模块表示道路直线，但车道检测模块说它弯曲，您遇到了问题。
GNC算法是允许机器人捕捉自己的错误的新基准。
Tzoumas正在研究如何扩大规模，不仅是一个机器人的多个算法之间的互动，而且是多个机器人之间的协作。在早期的工作中，他对无人机进行了编程，以跟踪目标，比如试图步行或开车逃跑的罪犯。未来，多台机器可能会共同运行GNC算法。每一个都将向它的邻国提供部分信息，它们将共同构建一个全球地图——包括地球或其他地方的位置。今年，他将转到密歇根大学航空航天工程系，致力于多机器人规划和自主导航的可靠自主研究——即使是在战场和其他星球这样的艰难环境中。
“不知道AI和感知算法如何表现如何对使用它们的巨大威慑力，”Antonante说。He notes that robotic museum guides won’t be trusted if there’s a chance they’ll crash into visitors or the Mona Lisa: “You want your system to have a deep understanding of both its environment and itself, so it can catch its own mistakes.” The GNC algorithm is the new benchmark in allowing robots to catch their own mistakes, and, most importantly, as Tzoumas says, “it helps you get out of the woods.”
