当Vasileios Tzoumas，一位研究科学家麻省理工学院（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。
梯度非凸度(GNC)算法可以帮助机器穿越陆地、水、天空和太空，然后返回来讲述故事。
关闭循环实际上是机器人在导航新环境时经常要做的东西的技术术语。它是一个名为的过程的一部分同时本地化和映射（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的应用越来越多，确保SLAM算法在具有挑战性的现实环境中产生正确的结果比以往任何时候都更加重要。SLAM算法通常在完美的传感器或受控的实验室条件下工作得很好，但在现实世界中使用不完美的传感器时，它们很容易丢失。不出所料，工业客户经常担心他们能否信任这些算法。
麻省理工学院的研究人员开发了几种强大的庞大算法，以及数学上的方法，以便我们能够相信多少。Luca Carlone的实验室，Leonardo Career Development Assistant Partury Mit教授，发表了一篇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。机器人使用2D相机图像估计汽车的3D位置和方向。机器人接收具有通过特征检测算法标记的许多点的摄像机图像：前灯，轮子，镜子。它还具有内存中的汽车3D模型。目标是缩放，旋转，并放置3D模型，因此其功能与图像中的功能对齐。“如果特征检测算法完美地完成了这项工作，这很容易，但这很少是这种情况，”卡莱尔说。在实际应用中，机器人面临许多异常值误标定的特征 - 这可以占所有观察的90％以上。这就是GNC算法进入并优于所有竞争对手的地方。
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算法进入并优于所有竞争对手的地方。
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。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。
在圈子里
本文将GNC算法应用于形状对齐和SLAM等问题。在SLAM中，机器人使用传感器数据来计算过去的轨迹，并建立地图。例如，一个在大学校园里漫游的机器人会收集里程表数据，显示它在 早上8点之间走了多远和方向。和15 点。之间,15 点。和8:30 点。，等等。它还拥有上午8点 的激光雷达和摄像机数据。, 15 点。，等等。偶尔，它会完成循环，在两个不同的时间看到同样的事情，就像Tzoumas再次跑过7- 11便利店时所做的那样。
研究人员发现，GNC算法比最先进的技术更精确，可以处理更高比例的异常值。
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.
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。
与此同时，算法识别并丢弃异常值——它认为是在回溯自己的步骤，但并非如此的坏数据点——就像形状对齐时标签错误的特征一样。你不想错误地闭合一个循环。祖马斯回忆说，有一次他在缅因州的树林里跑步，经过一堆倒下的树干，看起来很熟悉。他以为他已经完成了循环，然后利用这个所谓的路标，他转了个弯。直到20分钟没有看到任何熟悉的东西后，他才怀疑自己的错误，并返回。
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过程的技术术语是构成图优化。
在本文中，研究者比较了他们的GNC算法与其他算法在几个应用，包括形状对齐和位姿图优化。他们发现，他们的方法比最先进的技术更精确，可以处理更高比例的异常值。对于SLAM，即使四个循环闭包中有三个是错误的，它也能工作，这比它在实际应用中遇到的离群值要多得多。更重要的是，他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:“困难之一是找到一种适用于许多应用程序的通用算法。”杨说，他们已经在超过10个人身上试过了。最后，Tzoumas说，他们找到了“最佳平衡点”。
MATLAB生成的地图是由一个修剪草坪的机器人获得的数据生成的。左:草坪的原始地图。中间:使用常见的SLAM算法优化的地图，其中包括来自未知离群值循环闭包的错误标记数据。右:用GNC算法优化的地图。
MathWorks的机器人研究科学家罗伯托·g·瓦伦蒂(Roberto G. Valenti)说，从研究到生产是研究成果大规模产生影响的重要一步。MathWorks一直在与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，公司使用该工具箱在商业和工业自动化系统中实现SLAM。
脱离险境
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.”
