Nas interfaces SLAM que usam o algoritmo Iterative Closest Point (ICP) para identificar a associação entre duas nuvens de pontos correspondentes, como você pode determinar se o algoritmo está preso em um mínimo local e retorna um resultado errado?
O problema é definido como combinar duas nuvens de pontos, que são amostras de alguma estrutura superficial superficial e as áreas amostradas têm uma sobreposição de 0 a 100%, que é desconhecida. Eu sei que a variante Trimmed ICP funciona iterativamente tentando determinar a sobreposição, mas mesmo essa pode ser mantida em um mínimo local.
Uma abordagem ingênua seria procurar o erro quadrático médio dos pares de pontos identificados. Mas, sem alguma estimativa da amostragem, isso parece um limiar arriscado. No manual para o Leica Cyclone, eles sugerem uma inspeção manual do histograma de erro de pares. Se tiver uma forma gaussiana, o ajuste é bom. Se houver uma queda linear, a partida provavelmente será ruim. Isso parece plausível para mim, mas nunca o vi usado em um algoritmo.
Respostas:
A maioria dos métodos simples de ICP usa uma abordagem do tipo Mínimos Quadrados. É comum e mais fácil modelar ao assumir que um modelo de erro gaussiano corrompe os dados da nuvem de pontos. Nesse caso, o componente de ajuste menos quadrado do algoritmo ICP produz um modelo de erro gaussiano para seus parâmetros de solução com variação estimada.
Ou seja, se você tiver acesso aos erros após a correspondência, poderá estimar um erro gaussiano nos parâmetros da sua transformação da mesma maneira que estimaria o erro em qualquer outra regressão linear.
fonte
Caso você tenha alguma informação de outros sensores disponíveis (por exemplo, odometria dos codificadores de roda), você poderá usá-la quando a transformação rígida do corpo que o laserScanner sugere estiver distante.
Lembre-se de que nas longas trajetórias o caminho da odometria diverge da verdade do solo, mas localmente é bastante preciso.
PS. Essa é uma pergunta bastante interessante; por isso, deixe-nos saber como você fez isso, caso realmente tenha resolvido o problema.
fonte
Eu acho que a melhor abordagem seria usar um conjunto de dados que contém uma verdade básica. O conjunto de dados mais freqüentemente citado na literatura é descrito no artigo "Uma referência para a avaliação de sistemas SLAM RGB-D". Eles também descrevem algumas métricas para comparar seu resultado de estimativa de pose com a verdade básica. Espero que isto ajude. Feliz codificação.
fonte