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。
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。
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，发表了一篇论文关于它们渐变的非凸性（GNC）算法，从而减少了SLAM结果中的随机误差和不确定性。更重要的是，该算法产生正确的结果，其中现有方法“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（ICRA）中获得了机器人愿景的最佳纸张奖。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信任的数据指向哪些数据并丢弃。称为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，杨和安东尼顿解释，“是尝试一个解决方案并保持努力制作，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。”给出了嘈杂的数据，它不会是完美的 - 也许大灯对齐，但车轮不 - 所以你可以用另一个解决方案开始并尽可能地优化一个，重复这个过程几次以找到最佳结果。尽管如此，找到最好的解决方案的机会是瘦身的。
在真实应用中，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％的异常值的噪声测量，GNC算法尽可能最佳对齐。图片信用：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。
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。图片信用：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。
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。和安东尼顿正在寻找管理不同算法的不一致的方法：如果自主车辆中的SLAM模块说道路直线，但车道检测模块说它弯曲，你有问题。
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.”
