內(nèi)容提要：來自蒙特利爾、卡內(nèi)基梅隆大學的團隊，在 ICRA 2020 上發(fā)表的論文中所提出的??SLAM，解決了當下 SLAM 系統(tǒng)普遍所面臨的一個開放性問題。

關鍵詞：SLAM? 室內(nèi) 3D 地圖重建

近兩年來，隨著自動駕駛、無人機等智能設備的迅猛發(fā)展，其背后的一項關鍵技術(shù)——SLAM，（Simultaneous Localization And Mapping，中文譯名：同時定位與地圖構(gòu)建）也名聲大噪。

SLAM 發(fā)展距今已有 30 余年的歷史，是機器在未知環(huán)境下，感知和狀態(tài)估計、進行自主作業(yè)的關鍵技術(shù)，可以說，機器要執(zhí)行路徑規(guī)劃、導航等任務，AR、VR 構(gòu)建穩(wěn)定的三維空間，這些技術(shù)都離不開 SLAM 的輔助。

通俗點來說，SLAM 就解答兩個問題：「我在哪兒？」和「我的環(huán)境里有啥？」

比如掃地機器人這類，就是依靠激光雷達或攝像頭，再結(jié)合?SLAM 技術(shù)，才能清楚房間的角角落落是如何布局的，然后構(gòu)建環(huán)境地圖，根據(jù)這些信息來規(guī)劃自己的打掃路徑。

SLAM?賦予掃地機器人定位、路徑規(guī)劃等核心功能

不過，發(fā)展多年以來，傳統(tǒng)的 SLAM 算法仍面臨端到端不可微的開放性問題，來自蒙特利爾大學、卡內(nèi)基梅隆大學的團隊在 ICRA 2020 發(fā)表的論文，則針對這一問題提出了解決辦法。

??SLAM，解決經(jīng)典 SLAM 算法瓶頸問題

目前，經(jīng)典的 SLAM 算法有 Kinect-Fusion、PointFusion 和 ICP-SLAM 等，但由于這些方法中，很多組件是不可微分的，所以，SLAM 的表示學習一直是一個開放性的問題。這也成為了阻礙 SLAM 發(fā)展的瓶頸。

為了解決此類問題，許多研究者開始使用深度學習。但是，這些研究大多限于虛擬數(shù)據(jù)集或特定環(huán)境，甚至為了準確性而犧牲效率。因此，它們不夠?qū)嵱谩?/p>

在今年 5 月，在機器人與人工智能領域的重要會議 ICRA 2020（International Conference on Robotics and Automation，機器人與自動化國際會議）上，來自蒙特利爾大學、卡內(nèi)基梅隆大學的團隊，發(fā)表了論文《?SLAM: Dense SLAM meets Automatic Differentiation》，提出了以上問題的一個解決方法。

梯度SLAM：一種滿足自動微分的SLAM密集建圖方法

http://montrealrobotics.ca/gradSLAM/paper.pdf

作者指出，在 SLAM 的密集建圖系統(tǒng)中，比如優(yōu)化（Optimization）問題，光線投射（Raycast）問題等，有很多單元是不可被微分的，這也使得基于梯度的方法在 SLAM 中沒有取得很大的成功。

對此，作者在論文中提出了 ?gradslam（?SLAM），這是一種在 SLAM 上的可微計算圖。利用計算圖的自動微分功能，?gradslam（?SLAM）允許在其每個組件或整個系統(tǒng)之間進行基于梯度的學習。?

?SLAM 的核心思想是設計了可微分的計算圖

來表示 SLAM 密集建圖中不可微分的組件

一個完全可微分的 SLAM 系統(tǒng)，將使任務驅(qū)動的表示學習成為可能，因為表示任務性能的誤差信號，可以通過 SLAM 系統(tǒng)，反向傳播到原始傳感器觀察數(shù)據(jù)中。

最終結(jié)果是，團隊在不犧牲性能的情況下，設計了可微分的信賴域（trust-region）優(yōu)化器、表面測量和融合方案，以及對光線上的微分。這種密集的 SLAM 與計算圖形的融合，使大家能夠從 3D 地圖一路回溯到 2D 像素，為基于梯度的 SLAM 學習開辟了新的可能性。

作者表示， gradslam（?SLAM）的框架非常具有泛化性，可以擴展到任何現(xiàn)有的 SLAM 系統(tǒng)并使其可微。

?可微分大法，讓 3D 重建效果更好

團隊對典型的 SLAM 方法?ICP-Odometry、ICP-SLAM、Kinect-Fusion 以及 PointFusion，實現(xiàn)為可微分計算圖，并分析了每種方法與其不可微的對應方法的比較。

結(jié)果表明：在 ICP-Odometry 和 ICP-SLAM 建圖上的表現(xiàn)良好，絕對軌跡誤差和相對位姿誤差都呈現(xiàn)了一個較低的水平。如下表所示：

每種方法不微分和微分后的效果對比

項目的官方地址：

https://github.com/gradslam/gradslam，可以動手實操一下，感受 gradslam（?SLAM）?方案的優(yōu)勢。

SLAM 技術(shù)已是業(yè)界公認的視覺領域空間定位技術(shù)的前沿方向視覺領域空間定位技術(shù)的前沿方向，從無人機到無人駕駛，從掃地機器人到 VR/AR 領域，這些熱門領域都可看到 SLAM 的身影。

所以，如果你也想了解 SLAM 方向的最新科研成果，不如在這個周末好好研究gradslam（?SLAM）項目。

論文地址：

http://montrealrobotics.ca/gradSLAM/paper.pdf

項目 GitHub 地址：

https://github.com/gradslam/gradslam

gradslam（?SLAM）JupyterNotebook 地址：

https://openbayes.com/console/openbayes/containers/HoveymNsfrT

—— 完 ——

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統(tǒng)計學習方法》的代碼復現(xiàn)專輯 AI基礎下載機器學習的數(shù)學基礎專輯 本站知識星球“黃博的機器學習圈子”（92416895） 本站qq群704220115。 加入微信群請掃碼：

總結(jié)

以上是生活随笔為你收集整理的【SLAM】gradslam（∇SLAM）开源：论文、代码全都有的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。