当Vasileios Tzoumas，一位在麻省理工学院（麻省理工学院），访问一个新城市，他喜欢跑去探索。有时他会迷路。几年前，在大阪举行的长期跑，不可避免地发生了。但随后Tzoumas发现了一个7-11，他在离开酒店后尽快记得过来。这种认可允许他精神上“关闭循环”，以将他的轨迹的松散结束连接到他知道的某个地方，并确定，从而巩固了他的心理地图并让他回到酒店。
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并不新鲜。它用于机器人吸尘器，自动驾驶汽车，搜索和抢救空中无人机，以及工厂，仓库和矿山的机器人。作为自主设备和车辆导航新空间，从起居室到天空，他们在旅行时构建地图。它们还必须使用摄像机，GPS和LIDAR等传感器弄清楚它们在地图上。
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。
一切都保持一致
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。
机器人使用数学函数解决此问题，该函数考虑了每对特征之间的距离 - 例如，图像中的右前灯和模型中的右前灯。他们试图“优化”这个功能 - 以定向模型，以便最小化所有这些距离。功能越多，问题越难。
解决这个问题的一种方法是尝试函数的所有可能的解，看看哪一个最有效，但有太多的方法可以尝试。金宝搏官方网站杨和安东内特解释说，一个更常见的方法是“尝试一种解决方案，并不断推动——比如，使模型中的前照灯与2D图像中的前照灯更一致——直到你无法再改进它。”考虑到嘈杂的数据，它不会是完美的——也许前灯对齐了，但车轮不对齐——所以你可以重新开始另一个解决方案，并尽可能地完善它，重复这个过程几次，以找到最好的结果。不过，找到最佳解决方案的可能性很小。
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。图片来源:麻省理工学院。
GNC背后的想法是首先简化问题。它们减少了他们试图优化的功能 - 将3D模型与2D图像之间的差异的函数与单一最佳解决方案进行了解。现在，当他们选择一个解决方案并轻推它时，他们最终会发现最好的解决方案。然后他们重新引入了一点原始函数的复杂性并改进了他们刚发现的解决方案。他们继续这样做，直到它们具有原始功能及其最佳解决方案。前灯很好地对齐，轮子和保险杠也是如此。
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，还有一个优化问题需要解决。杨是这篇论文的第一作者，他解释说:“对于SLAM，系统不是通过排列特征来匹配3D模型，而是弯曲它认为它穿过的轨迹，以便在地图上对齐物体。”首先，该系统的工作原理是尽量减小不同传感器感知行程的差异，因为每个传感器在测量时都可能存在误差。例如，如果机器人的里程表显示它在 上午8点之间走了100米。和15 点。在美国，基于激光雷达和相机测量更新的轨迹应该反映出这个距离，或接近这个距离的东西。该系统还将看起来相同的地点之间的距离最小化。如果机器人在 早上8点看到了同一家便利店。和10点 点。，该算法将尝试弯曲被召回的轨迹——调整每条腿——以便在上午8:00 时被召回的位置。 and 10:00 a.m. align, closing the loop.
测绘建筑物内部的机器人。GNC逐渐揭开杂乱的数据。在相对较少的步骤中，算法得到了一个建筑物内部的精确地图。图片来源: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。
优化前的召回轨迹可能看起来像一个缠绕的麻线球。在解开后，它类似于镜像校园途径的形状和机器人遍历的走廊的一套右倾角线。这个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正在寻找如何扩展，而不仅仅是在一个机器人中的多种算法之间的交互，而且在多个机器人之间协作。在早期的工作中，他编写了飞行的无人机来跟踪目标，例如试图徒步或乘汽车逃脱的罪犯。前进，多台机器可能会集中运行GNC算法。每个人都会向其邻居提供部分信息，并在一起将在地球或其他地方建立一个全球地点。今年，他正在搬到密歇根大学航空航天工程系，致力于为多机器人规划和自我导航 - 即使在战场和其他行星等困难的环境中，也可以努力。
“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.”
