Каково будущее методов фильтрации по сравнению с инкрементным SFM в визуальном SLAM?
В области Visual SLAM есть хорошо известное решение EKF / UKF / Particle-SLAM, такое как "монослам".
Недавно появилось направление к методам локальной настройки пакетов, таким как lsd-slam или orb-slam.
Мой вопрос:
У путей фильтрации все еще есть будущее или устойчивое использование? в каких приложениях? какие плюсы / минусы?
Я прочитал эти статьи, но мне не удалось получить окончательный ответ (в основном из-за недопонимания):
PS: я знаю, что первый говорит, что Local BA как-то лучше, а второй редко упоминает фильтрацию, так что... вот и все... это конец удивительного фильтра Калмана в области Visual-SLAM?!!
2 ответа
Нет, фильтр Калмана по-прежнему имеет свое применение. Хотя "визуальный SLAM: почему фильтр" интересен тем, что он является первым (насколько мне известно) документом, который проводит математически обоснованное сравнение, следует отметить, что он сравнивает только настройку пакета с очень специфическим фильтром Калмана, который, например, включает в себя точки в фильтре, в то время как современные методы одометрии / шлема на основе EKF, кажется, указывают на то, что это не очень хорошая идея. Кроме того, вы можете утверждать, что рекурсивный фильтр Калмана более или менее совпадает с настройкой связки.
Фильтр Калмана, несмотря на свои вычислительные недостатки в некоторых случаях, будет иметь преимущество в том, что он легко предоставляет вам оценки неопределенности. Получение нелокальных неопределенностей в настройке пучка не является тривиальным и добавляет значительные накладные расходы (см., Например, этот документ, который на самом деле является единственным распространением неопределенности в настройке пучка, о котором я знаю).
Другое преимущество фильтров Калмана заключается в том, что слияние сенсоров является простым. Вы более или менее должны добавить параметры для оценки в вектор состояния. Для примера современного фильтра Калмана для синтеза IMU/Vision, который фактически используется во многих приложениях, см. Эту статью.
Но да, в сообществе SLAM существует явная тенденция отходить от методов, основанных на Кальмане, за исключением определенных областей (экспериментальные датчики или большие сенсорные графики, где наличие глобальных ковариаций является обязательным и т. Д.), Но аргументы обычно немного слабы. Люди бормочут что-то о лучших эмпирических результатах, а затем цитируют "Visual SLAM: зачем фильтровать". Я рекомендую вам прочитать диссертацию автора этой статьи. Хотя его теоретические аргументы в отношении энтропии убедительны, я все же считаю, что мы должны быть очень осторожны при цитировании этой статьи из-за вышеупомянутых особенностей фильтра.
Нет, вторая статья не описывает конец фильтра Калмана в Visual-Slam. Фильтр Калмана является частным случаем Оценщика максимального правдоподобия для гауссовского шума. Я хочу обратить ваше внимание на пункт 4 второй статьи. Там авторы должны уточнить, что оба фильтра Калмана и MAP являются расширениями оценки максимального правдоподобия. Как написано, это понимание является только неявным.