Contents — find the section you need

प्रत्येक तय की गई दूरी के साथ ओडोमेट्री में थोड़ा-थोड़ा विचलन होता जाता है, और कुल विचलन बढ़ता ही जाता है। जब कोई रोबोट किसी कमरे का चक्कर लगाकर अपने आरंभिक बिंदु पर लौटता है, तो केवल नवीनतम फ्रेम को देखने वाला सिस्टम इस त्रुटि को पहचान नहीं पाता, भले ही मानचित्र पर उसकी वर्तमान स्थिति आरंभिक बिंदु से कुछ सेंटीमीटर ही दूर क्यों न हो। लूप क्लोज़र यह पता लगाता है कि वर्तमान दृश्य पिछले दृश्य से मेल खाता है, और उस "समान स्थान" की बाधा का उपयोग करके पूरे लूप में प्रक्षेप पथ को पुनः संयोजित करता है।

0.30-सेकंड का सारांश

  • लूप क्लोज़र दो चरणों से बनता है: संभावित स्थानों को पुनः प्राप्त करना, और ज्यामितीय रूप से यह पुष्टि करना कि क्या वे वास्तव में एक ही स्थान हैं।

  • बैग-ऑफ-वर्ड्स, वैश्विक छवि विवरणक, और सीखने पर आधारित स्थान पहचान संभावित स्थानों को शीघ्रता से पुनः प्राप्त करते हैं; फिर फ़ीचर पुनः मिलान और RANSAC गलत सकारात्मक परिणामों को हटा देते हैं।

  • पता लगाई गई बाधा को एक पोज़ ग्राफ़ में जोड़ा जाता है, और SE(2)/SE(3) ग्राफ़ अनुकूलन पिछले पोज़ को सुचारू रूप से ठीक करता है। स्थानीय मानचित्र पुनर्प्रक्षेपण त्रुटि को संरक्षित करता है।

  • मौसम, प्रकाश व्यवस्था, फर्नीचर की आवाजाही और एक जैसे दिखने वाले गलियारे, ये सभी गलत लूप उत्पन्न करते हैं। समय अंतराल, तय की गई दूरी, इनलायर की संख्या और मानचित्र की संगति जैसे कई मापदंडों के आधार पर सत्यापन करें।

  • लूप को बंद करना कोई "जादुई तरकीब नहीं है जिससे मानचित्र तुरंत सही हो जाए।" गलत पहचान को स्वीकार करने से पूरा मानचित्र गलत तरीके से विकृत हो जाता है, इसलिए रूढ़िवादी सीमाएँ और प्रतिवर्ती डिज़ाइन आवश्यक हैं।

1. लूप बाधा को समीकरण के रूप में लिखना

Diagram 1 · Use the button to switch views
एक पोज ग्राफ जो ओडोमेट्री ड्रिफ्ट के कारण सुधार से पहले खुला रह गया था और सत्यापित लूप बाधा जोड़ने के बाद इसके प्रारंभ और पुनरीक्षण पोज पर सामंजस्य स्थापित किया गया

चित्र 1 — स्थान पहचान एक उम्मीदवार का प्रस्ताव करती है, ज्यामितीय सत्यापन एक लूप एज को स्वीकार करता है, और मजबूत पोज-ग्राफ अनुकूलन प्रक्षेपवक्र पर संचित ड्रिफ्ट को वितरित करता है। एक लाल उम्मीदवार को बिना शर्त स्वीकार नहीं किया जाता है।

मान लीजिए कि समय i पर पोज T_i\in SE(3) है, और मान लीजिए कि Z_{ij} सापेक्ष-पोज अवलोकन है जब समय j उसी स्थान पर पुनरीक्षण करता है। लूप बाधा का अवशिष्ट इस प्रकार लिखा जा सकता है:

r_{ij}=\mathrm{Log}\left(Z_{ij}^{-1}T_i^{-1}T_j\right)\in\mathbb{R}^6

\mathrm{Log} एक लॉगरिदमिक मैप है जो एक रिजिड ट्रांसफॉर्म को 6-आयामी अतिसूक्ष्म रोटेशन और ट्रांसलेशन में बदल देता है। ओडोमेट्री एज \mathcal E_o को लूप एज \mathcal E_l के साथ मिलाने पर, पोज़-ग्राफ ऑप्टिमाइज़ेशन इस प्रकार हो जाता है:

\min_{\{T_i\}}\sum_{(i,j)\in\mathcal E_o\cup\mathcal E_l} \rho\left(r_{ij}^{\mathsf T}\Omega_{ij}r_{ij}\right)

जहाँ \Omega_{ij} सूचना मैट्रिक्स है और \rho ह्यूबर्ट जैसे एक मजबूत लॉस है। एक भी लूप एज जोड़ने से लंबी ट्रैजेक्टरी पर संचित त्रुटि पूरे ग्राफ में वितरित हो जाती है।

2. उम्मीदवारों की खोज: एक छवि को "बैग-ऑफ-वर्ड्स" में बदलना

बैग-ऑफ-वर्ड्स (BoW) स्थानीय डिस्क्रिप्टर्स को दृश्य शब्दों के हिस्टोग्राम में परिमाणित करता है, और इनवर्स डॉक्यूमेंट फ्रीक्वेंसी (IDF) का उपयोग करके पिछले कीफ्रेम के विरुद्ध समानता की गणना करता है। ORB-SLAM-परिवार प्रणालियाँ एक हल्के ORB डिस्क्रिप्टर को एक के साथ जोड़ती हैं शब्दावली वृक्ष, प्रत्येक फ्रेम की तुलना पूरे मानचित्र से किए बिना उम्मीदवारों को सीमित करके कुछ चुनिंदा छवियों तक सीमित कर देता है।

एक वैश्विक विवरणक समान दिखने वाले दृश्यों को पुनः प्राप्त करने के लिए पूरी छवि को एक एकल वेक्टर में संपीड़ित करता है। NetVLAD, CosPlace और EigenPlaces जैसी शिक्षण-आधारित विधियाँ प्रकाश और दृष्टिकोण परिवर्तन के प्रति प्रतिरोधी निरूपण सीखती हैं, लेकिन इमारतों, खेतों या कारखानों में इनका प्रदर्शन उनके प्रशिक्षण क्षेत्रों से भिन्न होने पर बदल जाता है। उम्मीदवार पुनर्प्राप्ति गति को नियंत्रित करती है, और ज्यामितीय सत्यापन सटीकता को नियंत्रित करता है - आपको केवल इन दोनों पर निर्भर नहीं रहना चाहिए।

3. ज्यामितीय सत्यापन: समानता ही पर्याप्त नहीं है

अनुरूपता प्राप्त करने के लिए उम्मीदवार छवि से विवरणकों का पुनः मिलान किया जाता है। एकक्युलर कैमरे के लिए, RANSAC के माध्यम से एक आवश्यक/मौलिक मैट्रिक्स का अनुमान लगाएं; यदि ज्ञात मानचित्र बिंदु मौजूद हैं, तो PnP का उपयोग करें; समतलीय बनावट के लिए, एक होमोग्राफी का उपयोग करें। इनलायर गणना, पुनर्प्रक्षेपण त्रुटि, गहराई धनात्मक है या नहीं, और दृष्टिकोण अंतर भौतिक रूप से प्रशंसनीय है या नहीं, इसकी जाँच करने से यह विश्वास बढ़ता है कि उम्मीदवार वास्तव में समान है। स्थान।

गलत लूप खतरनाक होता है क्योंकि ग्राफ़ ऑप्टिमाइज़ेशन मानचित्र को एक गलत अवलोकन के अनुरूप आकार में बदल देता है, भले ही वह गलत अवलोकन पर आधारित हो। दो समान गलियारे, खिड़कियों की एक पंक्ति, खेत में बनी क्यारियाँ, या कारखाने में बने शेल्फ को केवल BoW से अलग करना मुश्किल है। समय के हिसाब से बहुत नज़दीकी फ़्रेमों को उम्मीदवारों से बाहर रखें, और कई लगातार कीफ़्रेमों में लगातार मिलान और एक स्वतंत्र सेंसर (IMU/LiDAR/GNSS) के साथ सहमति की आवश्यकता रखें।

4. पोज़ ग्राफ़ और मानचित्र को अपडेट करना

लूप एज जोड़ने के बाद, पहले केवल पोज़ ग्राफ़ के माध्यम से कीफ़्रेम पोज़ को ऑप्टिमाइज़ करें, और मानचित्र बिंदुओं को पोज़ का अनुसरण करने दें। बड़े पैमाने के मानचित्र के लिए, हर बार हर बिंदु पर बंडल एडजस्टमेंट चलाने के बजाय, स्थानीय मानचित्र को वैश्विक पोज़ से अलग करना, वास्तविक समय के प्रदर्शन को बनाए रखना आसान बनाता है। ऑप्टिमाइज़ेशन समाप्त होने के बाद, वर्तमान map→odom ट्रांसफ़ॉर्म को अपडेट करें, और इस तरह डिज़ाइन करें कि odom→base_link, जो निरंतरता को प्राथमिकता देता है, कभी भी जंप न करे। अचानक।

ROS 2 TF2 के संदर्भ में, स्थानीय ओडोमेट्री odom→base_link प्रकाशित करती है, और SLAM का वैश्विक सुधार map→odom को समायोजित करता है। लूप बंद होने के क्षण में रोबोट बॉडी का टेलीपोर्ट होना प्रतीत न हो, इसके लिए सुधार को अस्थायी रूप से सुचारू करें। हालांकि, मानचित्र और वास्तविक दुनिया के बीच के अंतर को छिपाने के लिए बहुत अधिक सुचारू करने से नेविगेशन एक पुरानी स्थिति का उपयोग करता रहता है, इसलिए सुधार की मात्रा और इसे लागू करने की अवधि को लॉग करें।

5. विफलता की संभावना वाले वातावरण

स्थिति यह कठिन क्यों है निवारण
मौसमी / दिन-रात परिवर्तन रंग, छाया, वनस्पति परिवर्तन सीखे गए विवरण, संरचनात्मक विशेषताएं, LiDAR संलयन
गतिशील लोग/वाहन एक ही स्थान, अलग लेआउट गतिशील-वस्तु मास्किंग, केवल स्थिर पृष्ठभूमि से मिलान
दोहराव वाले पैटर्न गलत स्थान भी एक जैसे दिखते हैं ज्यामितीय सत्यापन, दूरी संबंधी प्रतिबंध, बहु-फ्रेम पुष्टिकरण

लंबे गलियारे/शेल्विंग | कम लंबन और विशिष्टता | आईएमयू, कृत्रिम मार्कर, यूडब्ल्यूबी |

प्रकाश में बड़ा बदलाव | चमक विवरणकों में बदलाव | एचडीआर/एक्सपोजर सुधार, सीखा हुआ स्थान पहचान |

तीव्र मोड़/धुंधलापन | कम पत्राचार | आईएमयू भविष्यवाणी, कीफ्रेम अंतराल को समायोजित करना |

6. कार्यान्वयन चेकलिस्ट

  1. प्रत्येक कीफ्रेम की छवि, टाइमस्टैम्प, पोज़ और फ़ीचर विवरणकों को संग्रहित करें।

  2. उम्मीदवारों से हाल के फ्रेम हटा दें, और बोडब्ल्यू/वैश्विक विवरणकों के माध्यम से कुछ पुराने उम्मीदवारों को पुनः प्राप्त करें।

  3. इनलायर गणना, रीप्रोजेक्शन त्रुटि और धनात्मक गहराई पर थ्रेशोल्डिंग करते हुए पत्राचारों का ज्यामितीय सत्यापन करें।

  4. पुष्टि करें कि एक ही उम्मीदवार अलग-अलग समय पर कई फ्रेमों में सही साबित होता है।

  5. पोज़ ग्राफ़ में लूप एज जोड़ें और मजबूत अनुकूलन चलाएँ।

  6. सुधार की मात्रा, अस्वीकृति के कारण और गणना समय को लॉग करें। गलत लूप को प्रतिवर्ती बनाएँ।

7. अनुसंधान निर्देश

वर्तमान शोध बड़े पैमाने पर स्व-पर्यवेक्षित शिक्षण के माध्यम से छवि पुनर्प्राप्ति को सुदृढ़ बनाने, LiDAR, कैमरा और इवेंट-कैमरा मोडैलिटी में डिस्क्रिप्टर साझा करने और दीर्घकालिक मानचित्रों को मौसमी रूप से अद्यतन करने की दिशा में आगे बढ़ रहा है। स्थान पहचान के लिए NeRF और 3D गॉसियन स्प्लैटिंग जैसे नए दृश्य निरूपणों का उपयोग करने के प्रयास भी किए जा रहे हैं, हालांकि अनुमान गति, मेमोरी उपयोग, गतिशील वस्तुएं, लाइसेंसिंग और पुनरुत्पादकता सभी की जांच की जानी आवश्यक है।

कारखानों और कृषि भूमि में, जहां समान आकार के गलियारे या खांचे बार-बार दोहराए जाते हैं, केवल छवि-आधारित लूप क्लोजर अस्पष्ट हो सकता है। उपकरण पथ, IMU, व्हील ओडोमेट्री, RTK-GNSS और मैप की गई कार्य सीमाओं को पूर्व ज्ञान के रूप में उपयोग करके संभावित खोज सीमा को सीमित करने से गलत पहचान कम हो जाती है। जब किसी शोध प्रोटोटाइप को क्षेत्र में लाया जाता है, तो शुरू से ही एक परिचालन प्रक्रिया स्थापित करें जहां, यदि कोई गलत लूप पाया जाता है, तो मानचित्र को स्थिर कर दिया जाए और उसे मैन्युअल रूप से पुनः आरंभ किया जा सके।

8. निष्कर्ष

लूप क्लोजर एक तीन-चरणीय प्रक्रिया: पिछली घटना को याद दिलाने वाली छवि पुनर्प्राप्ति, उसी स्थान की पुष्टि करने वाला ज्यामितीय सत्यापन, और पूरे ग्राफ़ में त्रुटि को वितरित करने वाला अनुकूलन। केवल BoW या सीखे गए विवरण स्कोर के आधार पर लूप को बंद न करें — पत्राचार, सेंसर सहमति और लौकिक निरंतरता की पुष्टि करें। सही ढंग से संभालने पर, लूप को बंद करने से पूरे मानचित्र में ओडोमेट्री विचलन ठीक हो जाता है और लंबे समय तक चलने वाले रोबोट का स्व-स्थानीकरण स्थिर रहता है।

अपनी समझ की जाँच करें
क्या एक दृश्य रूप से समान छवि लूप को बंद करने के लिए पर्याप्त है?

दिखावट गलत मिलान उत्पन्न कर सकती है। बाधा जोड़ने से पहले ज्यामिति को सत्यापित करें; एक गलत लूप पूरे मानचित्र को विकृत कर सकता है।

संदर्भ

Lab Change the conditions in a browser experimentSLAM का मूल्यांकन कैसे करें — ATE, RPE, रनटाइम और विफलताएँ

What to read next

Review the backgroundVO/VIO प्राइमर — कैमरा और IMU से गति का अनुमान लगाने के लिए एक व्यावहारिक आधारContinue the seriesविज़ुअल-एसएलएएम प्राइमर — कैमरा कैसे सीखता है "मैं कहाँ हूँ""Explore another aspect of this fieldछवि चमक और ल्यूमिनेंस Lab — एक्सपोज़र, गामा और क्लिपिंग
#Loop Closure #SLAM #Place Recognition #Pose Graph #Bag-of-Words