選擇星標，干貨第一時間送達

點擊加入「3DCV」技術(shù)交流群

3DCV祝大家龍年大吉，身體健康，萬事如意！

作者：小檸檬 | 來源：3DCV

在公眾號「3DCV」后臺，回復(fù)「原論文」可獲取論文pdf和代碼鏈接

添加微信：dddvision，備注：SLAM，拉你入群。文末附行業(yè)細分群

推薦閱讀：3D視覺從入門到精通最全學習路線！

1、導(dǎo)讀

研究背景是在室內(nèi)環(huán)境中，利用超寬帶（UWB）雷達進行基于地標的同時定位與地圖構(gòu)建（SLAM）。傳統(tǒng)的SLAM方法通常依賴于視覺傳感器或激光雷達，但在視野受限或者光照條件不好的情況下，這些傳感器的性能可能會受到限制。因此，本文提出了一種使用UWB雷達進行SLAM的方法，以克服這些限制。UWB雷達具有高精度和高信噪比的特點，并且在室內(nèi)環(huán)境中具有較好的穿透能力，因此被認為是一種適合進行室內(nèi)SLAM的傳感器。通過使用UWB雷達獲取環(huán)境中的地標信息，并結(jié)合機器人的運動模型，可以實現(xiàn)在未知環(huán)境中的同時定位與地圖構(gòu)建。

2、研究思路

使用超寬帶（UWB）雷達進行在室內(nèi)環(huán)境中的SLAM（同時定位與地圖構(gòu)建）。研究問題是在沒有視覺信息的情況下，如何實現(xiàn)準確的定位和地圖構(gòu)建。

為了解決這個問題，本研究提出了一種基于UWB雷達的無錨點SLAM方法：

首先，將多個UWB雷達模塊安裝在機器人的兩側(cè)，用于獲取雷達信號。然后，對獲取的信號進行預(yù)處理，包括平滑處理和峰值檢測，以獲得清晰的雷達觀測數(shù)據(jù)。接下來，利用三邊測量的原理，將來自不同雷達模塊的峰值進行三邊測量，得到二維位置觀測數(shù)據(jù)。最后，將這些觀測數(shù)據(jù)與里程計運動模型結(jié)合，使用擴展卡爾曼濾波（EKF）進行定位和地圖構(gòu)建。

3、研究內(nèi)容

關(guān)于在室內(nèi)無法使用視覺的環(huán)境中，使用超寬帶（UWB）雷達進行SLAM（同時定位與地圖構(gòu)建）的一種無錨點方法。介紹了使用XeThru X4M300 IR-UWB傳感器獲取雷達觀測數(shù)據(jù)，并利用DBSCAN算法對觀測數(shù)據(jù)進行進一步過濾，然后應(yīng)用EKF SLAM算法進行地圖構(gòu)建和機器人姿態(tài)估計。

4、方法

雷達SLAM系統(tǒng)中有五個主要的構(gòu)建模塊：獲取觀測數(shù)據(jù)（雷達信號采集和預(yù)處理），然后進行三邊測量以及去除異常值以獲得清晰的觀測數(shù)據(jù)。最后，將這些觀測數(shù)據(jù)與EKF SLAM中的里程計運動模型相結(jié)合。

4.1、雷達信號采集

使用了四個XeThru UWB雷達模塊，將其安裝在機器人的兩側(cè)（如圖1所示）。進行三邊測量所需的最低要求是在一側(cè)至少有兩個傳感器。因此，如果需要提高觀測的準確性和精度，可以添加額外的傳感器。每個模塊的檢測區(qū)域位于0.2米至9.4米之間。雷達讀數(shù)中的峰值幅度對應(yīng)于其視野中障礙物的雷達觀測（如圖2所示）。

接下來的幾節(jié)將解釋在獲取峰值幅度時遇到的步驟和限制。默認情況下，XeThru X4M300已將其范圍讀數(shù)下轉(zhuǎn)換為基帶，使用181個樣本（bin）來簡化后處理。因此，基帶輸出的空間分辨率受到限制，為5.1厘米。為了提高分辨率，忽略了默認設(shè)置，并考慮了原始讀數(shù)（如圖2所示）。原始讀數(shù)有1431個bin，因此范圍以6.4毫米間隔采樣，這比基帶輸出要好得多。然而，正如預(yù)期的那樣，原始信號非常嘈雜。因此，下一部分將解釋為了獲得必要的觀測而對信號進行去噪的步驟。

4.2、信號處理

信號處理的兩個步驟，具體如下：

1）基本統(tǒng)計濾波器（將所有幅度低于平均幅度的數(shù)據(jù)點移除，即等于0） 2）然后使用Savitzky-Golay（SG）濾波器（在給定的幀長度m中擬合階數(shù)為n的多項式）

首先，基本統(tǒng)計濾波器去除了背景白噪聲，將僅顯著的數(shù)據(jù)點發(fā)送到SG濾波器，從而減少了計算負載。SG濾波器是一種有限沖激響應(yīng)低通濾波器，它使用最小二乘法將f_len個噪聲數(shù)據(jù)點擬合到階數(shù)為的多項式中。SG濾波器可以平滑嘈雜的信號，同時保持其形狀和峰值，如圖2b所示。在平滑信號之后，需要找到局部極大值（峰值幅度），以獲得雷達檢測。有兩個超參數(shù)需要考慮：最小峰值高度（min_ph）和最小峰值突出度（min_pp）（即峰值相對于其他峰值的突出程度）。這些參數(shù)是通過試錯方法進行調(diào)整的，以便排除雷達截面積（RCS）較低的雷達檢測。如前所述，峰值對應(yīng)于目標。因此，通過對兩個附近雷達傳感器的峰值進行三邊測量，可以獲得2D位置觀測。

4.3、三邊測量

三邊測量是大多數(shù)測量系統(tǒng)在2D和3D領(lǐng)域中的基本原理。三邊測量是基本的測量原理，用于確定地標位置。在本文中，使用三邊測量來確定機器人周圍的地標位置。三邊測量利用了多個雷達模塊的測距能力，通過測量到目標的距離來確定目標的位置。具體而言，通過測量到目標的距離，可以得到到目標的距離的三個約束條件，從而確定目標的位置。三邊測量的準確性取決于測量誤差和傳感器之間的幾何配置。在本文中，通過使用多個XeThru UWB雷達模塊，可以進行三邊測量，從而獲得機器人周圍地標的位置觀測。

4.4、DBSCAN

DBSCAN是一種用于離群點過濾的密度聚類算法。在UWB雷達SLAM中，DBSCAN被用來過濾掉由于噪聲引起的異常觀測數(shù)據(jù)。該算法通過將觀測數(shù)據(jù)進行聚類，識別出聚類中心點，并將這些中心點作為有效的觀測數(shù)據(jù)輸入到EKF SLAM中。DBSCAN算法有三個超參數(shù)：窗口大小（window_size），每個聚類中最小的觀測點數(shù)（min_opc），以及搜索半徑（search_rad）。窗口大小用于確定在應(yīng)用DBSCAN之前要收集的機器人狀態(tài)（帶有觀測數(shù)據(jù)）。

當機器人移動超過一個閾值距離或角度時，就會收集一個狀態(tài)。較大的窗口大小會使觀測數(shù)據(jù)更加依賴于里程計信息，但窗口大小不能太小，否則觀測數(shù)據(jù)的數(shù)量會很少，異常觀測和正確觀測之間的差異不大。DBSCAN算法的輸出是經(jīng)過過濾的觀測數(shù)據(jù)，這些數(shù)據(jù)被用作EKF SLAM的輸入。通過使用DBSCAN算法進行離群點過濾，可以提高UWB雷達SLAM的性能和精度。

4.4、EKF SLAM

EKF SLAM（擴展卡爾曼濾波同時定位與地圖構(gòu)建）是一種用于同時定位和地圖構(gòu)建的算法。它基于卡爾曼濾波器，通過融合來自傳感器的運動信息和觀測信息來估計機器人的位置和地圖。EKF SLAM的基本思想是通過迭代地更新機器人的狀態(tài)估計和地圖估計。在每個時間步驟中，它使用機器人的運動模型來預(yù)測下一個狀態(tài)，并使用觀測模型來校正預(yù)測的狀態(tài)。觀測模型將機器人的觀測數(shù)據(jù)與地圖中的特征進行匹配，從而估計機器人的位置和地圖的特征。EKF SLAM的關(guān)鍵是狀態(tài)估計的更新和地圖的更新。狀態(tài)估計的更新使用卡爾曼濾波器的預(yù)測和校正步驟，通過將運動模型和觀測模型與當前的狀態(tài)估計和觀測數(shù)據(jù)進行融合來更新機器人的位置估計。地圖的更新使用觀測數(shù)據(jù)和當前的狀態(tài)估計來更新地圖中的特征。EKF SLAM的優(yōu)點是可以處理非線性系統(tǒng)和非高斯噪聲，并且可以在實時性要求不高的情況下進行地圖構(gòu)建。然而，它也有一些限制，例如對初始估計的依賴性和對傳感器噪聲的敏感性。

5、實驗

本研究采用了UWB雷達SLAM的實驗方法，分別在高雜亂的實驗室環(huán)境和教室環(huán)境中進行了評估。

在實驗室環(huán)境中，首先通過對機器人進行正方形軌跡的遙控操作，獲取了地面真實軌跡和輪式測距的數(shù)據(jù)。

然后使用UWB雷達SLAM方法對機器人的姿態(tài)進行估計，并構(gòu)建了地圖。與地面真實軌跡進行對比后發(fā)現(xiàn)，估計的位置與真實位置之間的平均絕對軌跡誤差（ATE）為12毫米。同時，UWB雷達SLAM方法還能夠檢測到一些由于雷達觀測角度的不同而無法被2D激光雷達檢測到的地標。在教室環(huán)境中，由于地面是地毯，輪式測距的數(shù)據(jù)容易產(chǎn)生漂移。此外，地標之間的距離較遠。因此，相比于實驗室環(huán)境，需要增加運動不確定性和馬氏距離閾值。經(jīng)過實驗后發(fā)現(xiàn)，估計的位置與真實位置之間的ATE為62毫米。綜上所述，本研究通過在不同環(huán)境中進行實驗評估，驗證了UWB雷達SLAM方法的準確性和可行性。

6、結(jié)論

本文提出了一種在無人機室內(nèi)環(huán)境中使用超寬帶（UWB）雷達進行無錨點SLAM的方法。通過使用XeThru X4M300 IR-UWB傳感器獲取雷達信號，并進行預(yù)處理、三邊測量和去除異常值等步驟，最終將觀測結(jié)果與里程計運動模型相結(jié)合，實現(xiàn)了SLAM。實驗結(jié)果表明，該方法在實驗室和教室環(huán)境中的定位精度較高，與地面真值的平均絕對軌跡誤差（ATE）分別為12毫米和62毫米。此外，UWB雷達相比其他技術(shù)具有更高的精度和信噪比，并且在室內(nèi)環(huán)境中的衰減較小。因此，本文的研究結(jié)論是使用UWB雷達進行無錨點SLAM是一種有效的方法，可以在視覺受限的室內(nèi)環(huán)境中實現(xiàn)準確的定位和建圖。

本文僅做學術(shù)分享，如有侵權(quán)，請聯(lián)系刪文。

3D視覺交流群

大家好，群里會第一時間發(fā)布3D計算機視覺方向的最前沿論文解讀和交流分享，主要方向有：

視覺SLAM、激光SLAM、ORB-SLAM、Vins-Fusion、LOAM/LeGo-LOAM、cartographer、VIO、語義SLAM、濾波算法、多傳感器融合、多傳感器標定、MSCKF、動態(tài)SLAM、MOT SLAM、NeRF-SLAM、FAST-LIO、LVI-SAM、LIO-SAM、事件相機、GPS/RTK/UWB/IMU/碼盤/TOF（iToF、dToF）、激光雷達、氣壓計、毫米波雷達、RGB-D相機、超聲波等、機器人導(dǎo)航、相機標定、立體匹配、三維點云、結(jié)構(gòu)光(面/線/散斑)、機械臂抓?。?D/3D）、2D缺陷檢測、3D缺陷檢測、6D位姿估計、相位偏折術(shù)、Halcon、光場重建、攝影測量、陣列相機、偏振三維測量、光度立體視覺、激光雷達、NeRF、多視圖幾何、OpenMVS、MVSNet、colmap、紋理貼圖、深度估計、Transformer、毫米波/激光雷達/視覺攝像頭傳感器、多傳感器標定、多傳感器融合、自動駕駛綜合群等、目標檢測、3D目標檢測、路徑規(guī)劃、軌跡預(yù)測、3D點云、3D點云分割、模型部署、車道線檢測、Occupancy、目標跟蹤、四旋翼建模、無人機飛控、求職、硬件選型、視覺產(chǎn)品落地、最新論文、3D視覺最新產(chǎn)品等綜合交流群。