长期矢量地图的构建与更新

自主服务移动机器人需在人类环境中持续、准确且鲁棒地定位，尽管此类环境随时间发生变化。 episodic 非马尔可夫定位（EnML）通过将观测分类为长期、短期或动态特征来应对变化环境中的定位挑战。然而，为此 EnML 依赖于一个不随时间改变的长期矢量地图（LTVM）估计。本文中，我们引入一种递归算法，通过对多次机器人部署中观测对象的可见性约束进行推理，随时间构建并更新 LTVM。我们使用符号距离函数（SDF）从机器人的多次部署中滤除短期与动态特征的观测。剩余长期观测通过鲁棒局部线性回归构建矢量地图。所得 LTVM 的不确定性通过对长期特征观测进行蒙特卡洛重采样计算。通过结合基于占据栅格的 SDF 观测滤波与滤波后观测的连续空间回归，我们提出的方法随时间为 LTVM 进行构建、更新与修正，并对环境中所有机器人部署的全部观测进行推理。我们给出实验结果，证明了从多个长期机器人数据集中提取的 LTVM 的准确性、鲁棒性与紧凑性。