基于范围的6自由度Monte Carlo SLAM：GPU上的梯度引导粒子滤波
机器人学
2025-04-28 v1
摘要
本文提出一种基于范围的6自由度Monte Carlo SLAM方法，采用梯度引导的粒子更新策略。虽然非参数状态估计方法（如粒子滤波）在高歧义情形下表现稳健，但由于维度灾难，已知其不适用于高维问题。为此，我们提出一种利用似然函数梯度信息引导粒子向其峰值移动，以提高采样效率的粒子更新策略。此外，我们引入基于关键帧的地图表示，将全局地图表示为一组历史帧（即关键帧），以缓解内存消耗。对每个粒子的关键帧姿态采用简单的闭环检测方法进行修正，以维持轨迹一致性。梯度信息与基于关键帧的地图表示的结合，显著提升了采样效率并降低了内存使用，相较于传统的RBPF方法效果更佳。为在GPU上实时处理大量粒子（如10万个粒子），本框架充分利用了GPU的并行处理能力。实验结果表明，所提方法对状态歧义具有极强的鲁棒性，甚至能以最小的经验法则应对绑架情况，例如传感器通过电梯移动至不同楼层等。
引用
@article{arxiv.2504.18056,
title = {Range-based 6-DoF Monte Carlo SLAM with Gradient-guided Particle Filter on GPU},
author = {Takumi Nakao and Kenji Koide and Aoki Takanose and Shuji Oishi and Masashi Yokozuka and Hisashi Date},
journal= {arXiv preprint arXiv:2504.18056},
year = {2025}
}
备注
IEEE International Conference on Robotics and Automation