NANO-SLAM：面向车辆 SLAM 的自然梯度高斯近似
机器人学
2025-04-29 v1
摘要
准确定位是自动驾驶车辆的具有挑战性的任务，尤其是在如城市峡谷和隧道等GPS被剥夺的环境中。在这些场景中，同时定位与地图构建(SLAM)比基于GPS的定位方法更为稳健，使车辆能够利用 onboard 传感器和周围环境的地标确定位置。尽管存在各种车辆 SLAM 方法，但Rao-Blackwellized粒子滤波(RBPF)因其相对于地图大小具有对数复杂度的高效解决方案而广受采纳。RBPF通过两个主要步骤(抽样和重要加权)对车辆姿态的后验分布进行蒙特卡罗粒子近似。有效抽样的关键在于求解一个贴近后验分布的分布，称为抽样分布，以加速收敛。现有方法通常通过线性化来推导此分布，由于系统固有的非线性，引入显著的近似误差。为解决这一限制，我们提出一种新颖的车辆 SLAM 方法，称为Natural Gradient Gaussian Approximation(NANO)-SLAM，通过将抽样分布建模为关于高斯参数的优化问题的解，并使用自然梯度下降求解，避免了线性化误差。该方法提高了抽样分布的准确性，从而增强了定位性能。在长距离Sydney Victoria Park车辆 SLAM 数据集上进行的实验结果表明，NANO-SLAM在定位精度方面比目前最广泛使用的车辆 SLAM 算法提高了超过50%，而额外的计算开销最小。
引用
@article{arxiv.2504.19195,
title = {NANO-SLAM : Natural Gradient Gaussian Approximation for Vehicle SLAM},
author = {Tianyi Zhang and Wenhan Cao and Chang Liu and Feihong Zhang and Wei Wu and Shengbo Eben Li},
journal= {arXiv preprint arXiv:2504.19195},
year = {2025}
}