基于特征融合的仿生SLAM算法研究

王 均，凌有鑄*，王 靜

(1.安徽工程大學 電氣工程學院，安徽 蕪湖 241000；2.巢湖學院 電子工程學院，安徽 巢湖 238000)

移動機器人在未知環境中運動時逐步構建環境地圖，同時運用此地圖對機器人進行位姿估計，即運動機器人的同時定位和地圖創建(SLAM)。一般的地圖構建和定位系統需要有環境的先驗信息或者環境的模型，但是SLAM系統在地圖信息和機器人位置不明確的情況下仍然可以工作，即使在環境改變的情況下仍然可以工作。對SLAM問題的解決方法運用最為廣泛的是基于數學概率的方法[1]。數學概率方法的實現是建立在傳感器平臺上的，傳感器雖然類型和能力各有不同，但是都存在使用限制和不同程度的噪聲，因此使用精準的傳感器是提高機器人SLAM的精度和可靠性的一個方法[2]。自然界中的生物采用完全不同的辦法來解決這個問題，它們不需要高精度的傳感設備就可以在復雜環境中進行地圖構建和導航。這是因為動物具備同步地圖構建和導航的能力[3]。受動物空間認知的啟發，在過去的幾十年里，許多研究者都在研究動物是如何感知、存儲和維持空間認知的。生物的這種能力為SLAM在移動機器人中的應用指示了研究方向[4]。

澳大利亞學者Michael[5-7]等就提出一種嚙齒動物海馬區擴展模型(RatSLAM)，該模型通過頭方向細胞和位置細胞網絡的融合構建位姿感知細胞網絡，將路徑積分和視覺關聯過程集成到位姿細胞模型中。然而，位姿感知細胞矩陣中最終的空間表征是不連續的，RatSLAM表征也會出現兩種附加現象：沖突和多沖表示。研究者們為解決這三個問題，在RatSLAM基礎上根據機器人位姿表征和環境表征的對應關系，擴展出一種經歷制圖算法，該算法直接存儲了環境空間、時間、機器人視覺、行為和變化等信息[8-9]。

RatSLAM算法的經驗圖中的活動具有一些幾何屬性，但仍然不能以人類可讀的形式表示，文獻[10]引入了一個“RatChat”的新系統，利用語言游戲范式構建空間概念作為交流基礎，實現了人類與機器人的交流。文獻[11]將RatSLAM算法的基本原理與標準的概率SLAM算法進行了比較，訓練出一種新的非貝葉斯因果更新過濾器，并通過實驗證明了它在功能上可以代替RatSLAM算法的核心。文獻[12-13]在RatSLAM算法的基礎上加入了多傳感器融合，同時介紹了一種基于運動的自動校準技術，該技術可以校準位置識別和自動過程，并在室內和室外環境中都驗證了方案的可行性。文獻[14]通過調整給定的約束條件，將RatSLAM系統用于人形機器人平臺。此外還引入了一種多重假設建圖技術，這種算法在同一時間跟蹤多個空間機器人的假設位置，并對它們的合理性進行加權，從而提高了開放空間建圖的魯棒性。文獻[15]將RatSLAM系統中經驗地圖算法用于RGBD-SLAM算法，解決了RGBD-SLAM算法中需要連續的圖像流的問題，克服了由無特征的表面生成的模糊數據的問題，并通過實驗驗證了算法融合的可行性。

近年來，基于特征的視覺SLAM方法在SLAM領域得到了廣泛應用。SIFT[16-17]特征經過十幾年的發展已取得巨大成功，是一種非常流行和實用的視覺處理算法。SIFT描述符由128維向量表示，使其具有旋轉不變性等優良性能，對光線變化也有魯棒性。同時其能夠比較方便地與其他相關的特征向量進行融合。GIST[18-19]特征是模擬人的視覺特點提出的。利用多尺度多方向的Gabor濾波器組分別與圖像進行卷積運算，得到圖像的GIST特征。針對傳統RatSLAM算法中局部場景的形成和匹配過程中，沒有對場景的幾何處理和特征提取，導致其對光線變化的敏感性，以及不能識別已有模板圖像旋轉后的圖像的問題，研究在局部場景形成階段，分別提取局部場景圖像的GIST特征和SIFT特征，串行融合后形成局部場景特征模板存儲入局部場景細胞，改進了原RatSLAM對光線變化敏感的問題，同時提高了檢測的準確率。

圖1 RatSLAM模型

1 RatSLAM模型

RatSLAM模型包括位姿感知細胞網絡、局部視圖細胞以及局部場景細胞和位姿細胞共同作用形成的經歷圖，模型如圖1所示。

1.1 位姿感知細胞網絡內部動態過程

(1)興奮度更新。創建興奮度權重矩陣εabc：

(1)

式中，a、b、c為x′、y′、θ′的分布系數；θ′維和(x′,y′)平面方差常數分別是kθ′和kx′y′；位姿感知細胞活性因興奮性致使的變化ΔPx′y′θ′：

(2)

式中，(x′，y′，θ′)空間中位姿感知細胞的三維矩陣元素分別為Nx′,Ny′,Nθ′。

(3)

式中，φ為抑制常數，控制全局抑制水平。

(4)

歸一化可以使獲得積分路徑輸入和視覺輸入后的位姿細胞總活性在0～1之間。

1.2 場景學習

(5)

(6)

式中，Px′y′θ′為位姿感知細胞的活動水平；Vi為局部場景細胞的活動水平。

1.3 經歷圖的繪制

經歷由位姿感知細胞和局部場景細胞中的活性驅動產生。當已有的經歷集不足以描述機器人的活動狀態時，就將產生一個新的經歷。第i個經歷如式(7)所示。

ei={Ei，Pi，Vi},

(7)

(8)

2 融合全局與局部特征的RatSLAM模型

RatSLAM中局部場景由一個一維細胞單元陣列組成，其中細胞單元對應存儲著特征值模板。將照相機采集到的圖像轉換為灰度圖像，分別提取圖像的GIST特征和SIFT特征，并將向量標準化到(0，1)的范圍內，串行融合組成局部場景特征模板。融合后的RatSLAM技術路線如圖2所示。

圖2 技術路線

2.1 GIST特征提取

GIST特征的核心是通過Gabor變換提取全局特征。先對輸入圖像預處理，之后利用多尺度多方向的Gabor濾波器組分別與圖像進行卷積運算，得到圖像的全局特征。二維Gabor變換核函數表達式為：

gmn(x,y)=a-mgσx′σy′ω(x′,y′),a>1,

(9)

(10)

x′=a-m(x·cosθ+y·sinθ),

(11)

y′=a-m(-x·sinθ+y·cosθ),

(12)

(13)

式中，x、y為像素點的位置信息；σx和σy分別為沿x和y方向上的高斯標準差；n為方向數；m為尺度數；a-m為尺度變換系數(尺度因子)。

將一幅灰度圖像I(x,y)劃分成大小相等的4×4個網格，每個小塊圖像大小為h×d，對每個小塊圖像用4個尺度8個方向的Gabor濾波器組進行卷積濾波，并將濾波后的結果級聯起來，形成該小塊的特征。將上述每一小塊計算出的特征值取平均值，得到該小塊的Gist特征：

(14)

式中，nc=m×n為濾波器個數。整幅圖像的Gist特征由每一小塊計算出的32個平均特征值級聯得到，其維數為4×4×32=512維。

2.2 SIFT特征提取

SIFT算法在圖像與高斯函數卷積生成的尺度空間中尋找極值點來確定關鍵點位置，然后計算關鍵點周圍的梯度信息，進而生成SIFT特征描述子。SIFT特征描述子對旋轉、尺度縮放、亮度變化等保持很好的不變性。

尺度空間L(x,y,σ)是由高斯函數G(x,y,σ)與二維圖像I(x,y)卷積生成。

L(x,y,σ)=G(x,y,σ)·I(x,y),

(15)

(16)

式中，x、y為像素點的位置信息；σ是尺度空間因子。

構建高斯差分(Difference of Gaussian，DOG)金字塔D(x,y,σ)，比較每個點與其相鄰的尺度和上下相鄰位置共計26個特征點的值，當某點為最大值或最小值時，則該點是該尺度下的一個特征點。DOG算子定義如下：

D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))·I(x,y)=L(x,y,kσ)-L(x,y,σ),

(17)

其中，k為相鄰尺度空間的倍數。利用特征點相鄰的鄰域點梯度方向分布特性為每一個特征點確定方向信息，其中包括了特征點的梯度值m(x,y)與方向θ(x,y)。

(18)

(19)

以關鍵點為中心劃分為16個子塊，計算各子塊8個方向的梯度累加值，并繪制梯度方向直方圖，得到一個128維的描述子向量，最后將特征向量的模長做歸一化處理。

2.3 局部場景特征模板匹配

設該圖像的GIST特征向量為：Xgist=[X11,X12,…,X1n]，SIFT特征向量為：Xsift=[X21,X22,…,X2m]，串行融合后形成局部場景特征模板為：X=[Xgist,Xsift]。

使用歐氏距離來評估新的模板和之前學習的模板之間的相似程度。若超過閾值，就會學習到新的局部場景特征模板，否則，被認為是匹配的。一個新的局部場景特征模板只有在當前的局部場景特征模板沒有匹配的情況下才會被學習。

3 實驗與結果分析

實驗采用移動機器人平臺“旅行家Ⅱ號”，平臺上搭載了編碼器、視覺傳感器、激光傳感器、聲吶傳感器、電子羅盤。移動機器人實驗平臺如圖3所示。實驗場景選取9 m×6 m的會議室環境。實驗內容為機器人在環境中行走兩圈之后改變環境光線，同時通過攝像頭采集圖像并將采集信息傳輸至上位機，進行仿真實驗。

圖3 實驗平臺

3.1 特征提取

第一圈中相鄰幀的SIFT特征提取與匹配如圖4a所示。第一圈與改變光線之后的第三圈形成閉環位置的SIFT特征提取與匹配如圖4b所示。SIFT特征旋轉不變性能強，一定程度上也能對抗光線變化。第一圈中相鄰幀的GIST特征如圖5a、圖5b所示。第三圈在與第一圈形成閉環處的GIST特征如圖5c所示。

圖4 SIFT特征提取與匹配

圖5 GIST特征提取

3.2 經驗節點匹配

RatSLAM模型經驗節點匹配圖如圖6所示。在前兩圈的實驗中，RatSLAM模型能夠一定程度的匹配局部場景模板，但是第三圈改變環境光線之后，RatSLAM模型匹配局部場景模板數量降低，后續匹配效果變差。RatSLAM+SIFT模型經驗節點匹配圖如圖7所示。RatSLAM+GIST模型經驗節點匹配圖如圖8所示。相較于RatSLAM模型，兩組實驗中檢測到的閉環數量都有所增加。其中，RatSLAM+SIFT模型第二圈實驗效果較好，RatSLAM+GIST模型在改變環境光線之后的第三圈匹配效果較好。特征融合的RatSLAM模型經驗節點匹配圖如圖9所示。在前兩圈的實驗中，特征融合的RatSLAM模型相較于前三組實驗有更多的經驗節點匹配到局部場景模板，第三圈改變環境光線之后，也能很好地完成閉環檢測。

圖6 RatSLAM模型經驗節點匹配圖圖7 RatSLAM+SIFT模型經驗節點匹配圖

圖8 RatSLAM+GIST模型經驗節點匹配圖圖9 特征融合的RatSLAM模型經驗節點匹配圖

RatSLAM模型和特征融合的RatSLAM模型準確率與召回率的對比如表1所示。由表1可知，RatSLAM模型的準確率與召回率分別為65%和49%，RatSLAM+SIFT模型的準確率與召回率分別為84%和83%，RatSLAM+GIST模型的準確率與召回率分別為79%和88%，融合特征點的RatSLAM模型準確率和召回率分別為91%和82%。相較于RatSLAM模型，特征融合的RatSLAM模型準確率和召回率都得到提升。

表1 RatSLAM模型和特征融合的RatSLAM模型性能對比

3.3 經驗地圖

RatSLAM模型構建的經歷圖與真實軌跡對比如圖10a所示，特征融合的RatSLAM模型經歷圖與真實軌跡對比如圖10b所示。由圖10可知，RatSLAM模型在第三圈光線變化之后，經歷圖產生了偏移，而特征融合的RatSLAM模型的經歷圖更符合實際軌跡。

圖10 RatSLAM模型經歷、特征融合的RatSLAM模型經歷與真實軌跡對比圖

4 結論

研究中提出的特征融合的RatSLAM算法改進了現有RatSLAM仿生算法下由于光線變換等狀況造成的導航不穩定的問題，系統魯棒性增強，同時提高了系統檢測的準確率。當前的融合算法給定識別閾值，若系統自動調整識別閾值是否能夠提高召回率，以及如何通過現有的圖像處理技術與仿生算法相融合的手段處理復雜環境，這些仍值得進一步研究。