使用库普曼线性化以及数据驱动的批量定位和SLAM

点击上方“计算机视觉life”，选择“星标”

快速获得最新干货

【小六的机器人SLAM圈】，在这里你可以收获：
星主答疑解惑/定期直播分享/最新招聘信息/笔面试题速递/行业最新动态/

每日领域论文翻译/成员定期交流活动

还有星球专属视频哦~（图片篇幅有限，更多内容请移步官网cvlife.net查看~）

以下内容来自小六的机器人SLAM学习圈知识星球每日更新内容

#论文# T-RO 2023| 使用库普曼线性化以及数据驱动的批量定位和SLAM

【Data-Driven Batch Localization and SLAM Using Koopman Linearization】

文章链接：[2309.04375] Data-Driven Batch Localization and SL...

作者单位：多伦多大学、麦吉尔大学（加拿大）

我们提出了一个无模型批量定位和SLAM的框架。我们使用提升函数将控制仿射系统映射到高维空间，其中过程模型和测量模型都被渲染为双线性。在训练过程中，我们使用真实数据求解一个最小二乘问题，以纯粹从数据中计算与提升系统相关的高维模型矩阵。在推理时，我们通过一个优化问题来解决未知的机器人轨迹和路标，其中引入了约束，以保持解在提升函数的流形上。使用序列二次规划( SQP )有效地解决了该问题，其中SQP迭代的复杂度与时间步数呈线性比例关系。

我们的算法，称为Reduced Constrained库普曼Linearization Localization ( RCKL-Loc )和Reduced Constrained库普曼Linearization SLAM ( RCKL-SLAM )，在仿真和两个数据集上进行了实验验证：一个是在装有激光测距仪的室内移动机器人上测量到圆柱路标的距离，另一个是在装有RFID测距传感器的高尔夫球车上。

我们将RCKL - Loc和RCKL - SLAM与经典的基于模型的非线性批量估计进行了比较。与基于模型的方法相比，RCKLLoc和RCKL - SLAM具有相似的性能，但当先验模型不完善时，它们的性能优于基于模型的方法，表明了所提出的数据驱动技术的潜在优势。

以上内容来自小六的机器人SLAM学习圈知识星球每日更新内容