【SLAM】gradslam（?SLAM）開源：論文、代碼全都有

近兩年來，隨著自動駕駛、無人機等智能設(shè)備的迅猛發(fā)展，其背后的一項關(guān)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(jìn)行自主作業(yè)的關(guān)鍵技術(shù)，可以說，機器要執(zhí)行路徑規(guī)劃、導(dǎo)航等任務(wù)，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(dá)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(xué)、卡內(nèi)基梅隆大學(xué)的團(tuán)隊在 ICRA 2020 發(fā)表的論文，則針對這一問題提出了解決辦法。

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(xué)習(xí)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(xué)習(xí)。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(zhǔn)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(lǐng)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(xué)、卡內(nèi)基梅隆大學(xué)的團(tuán)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(jìn)行基于梯度的學(xué)習(xí)。?

?SLAM 的核心思想是設(shè)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(wù)驅(qū)動的表示學(xué)習(xí)成為可能，因為表示任務(wù)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(tuán)隊在不犧牲性能的情況下，設(shè)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(xué)習(xí)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。

團(tuán)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(yīng)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(rèn)的視覺領(lǐng)域空間定位技術(shù)的前沿方向視覺領(lǐng)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(lǐng)域，這些熱門領(lǐng)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 ——