論文名：Graph Structure-Based Simultaneous Localization and Mapping Using a Hybrid Method of 2D Laser Scan and Monocular Camera Image in Environments with Laser Scan Ambiguity
定位是機器人導航的基本問題，允許機器人自主執行任務。然而，在具有激光掃描模糊的環境中，例如長走廊，利用激光掃描儀的傳統SLAM（同時定位和映射）算法可能無法魯棒地估計機器人姿態。為了解決這個問題，我們提出了壹種基於混合方法的新型定位方法，該方法在基於圖形結構的SLAM的框架中結合了2D激光掃描儀和單目相機。通過混合方法獲取圖像特征點的3D坐標， 假設墻壁垂直於地面並且垂直平坦。然而，這種假設可以減輕，因為隨後的特征匹配過程拒絕傾斜或非平坦壁上的異常值。 通過利用混合方法生成的約束的圖優化，估計最終的機器人姿勢。為了驗證所提方法的有效性，在具有長走廊的室內環境中進行了真實的實驗。將實驗結果與傳統的GMapping方法進行了比較。結果表明，可以在具有激光掃描模糊性的環境中實時定位機器人，並且該方法的性能優於傳統方法。
本文提出了壹種基於圖形結構（graph structure-based）的SLAM，它使用2D激光掃描儀和單目相機來解決上述問題。 從相機獲取圖像特征數據，並且從激光掃描儀獲取深度信息。 通過使用融合所獲得的傳感器數據的圖形結構來補償每個傳感器的缺點。這種融合激光掃描儀和相機的混合方法使我們能夠在激光掃描模糊的環境中估計機器人姿態，其中僅使用激光掃描儀時位姿估計是困難的。這樣的環境是長的走廊或非常大的空間，其中激光掃描儀只能檢測周圍的壹側，因為從機器人到墻壁的範圍大於激光掃描儀的最大可檢測範圍。混合方法可以克服每個傳感器的缺點。通過使用這些方法，可以在具有激光掃描模糊的環境中準確地估計機器人的位姿。
本文的其余部分安排如下。 第2節描述了室內機器人使用來自多傳感器的基於圖形結構的SLAM來最小化機器人姿態誤差的整體方法。 為了驗證所提方法的優越性，我們描述了實驗環境和整個系統以及在第3節中使用我們的方法獲得的實驗結果。在第4節中，討論了結論和未來的工作。
本節詳細介紹了我們的方法。 首先，簡要介紹了GMapping [4]，基於網格的SLAM和Rao-Blackwellized粒子濾波器以及基於圖形的SLAM的制定。 然後，我們詳細解釋如何融合從單目相機中提取的特征數據和來自激光掃描儀的深度數據，以進行機器人定位。 最後，我們描述了位姿圖生成和優化的方法。
GMapping是使用Rao-Blackwellized粒子濾波器的基於網格的SLAM。通過在GMapping中使用自適應重新采樣來解決粒子耗盡，即基於粒子濾波器的SLAM的長期問題。通過采用稱為改進的提議分布的方法，GMapping降低了機器人姿勢的不確定性。該方法基於最近的傳感器測量產生提議分布，假設激光掃描比測距更準確。這是用於估計機器人姿勢的概率方法，並且可以通過使用激光掃描儀的深度數據來估計機器人在2D平面上的姿勢。當連續激光掃描可以匹配而沒有模糊時，可以使用GMapping算法。但是，如果在具有激光掃描模糊的環境中利用GMapping算法，則可能發生機器人位姿錯誤。因此有必要應對這種情況，並在下壹小節中描述用於多傳感器融合的基於圖形的SLAM。
在該子部分中，描述了用於融合相機的特征數據和激光掃描儀的深度信息的方法。 使用混合方法預測3D機器人姿勢，並且該信息用作基於圖形的SLAM的約束。 整體算法和概念分別如圖1和圖2所示。 在執行激光掃描儀和單目相機的混合方法之前，必須進行固有校準以確定相機的固有參數。 還需要知道相機和激光掃描儀之間的相對姿勢，以融合來自它們的數據。 因此， 通過外部校準獲得兩個傳感器之間的相對姿勢信息。
在機器人上安裝多傳感器後，使用相應的傳感器估算機器人的位姿，然後，混合算法融合各自的結果，如圖4所示。使用協方差值和每個傳感器的測量值用於生成圖結構的約束。通過使用所生成的約束信息組織圖形結構，通過圖優化來獲得最終校正的機器人姿勢。測距儀生成測距信息，該信息用於生成位姿約束。 使用來自2D激光掃描儀的深度數據制作2D網格圖。然後使用GMapping從2D網格圖和ICP匹配生成2D機器人姿勢約束[4]。在通過相機圖像的SURF（加速魯棒特征）[29]算法提取特征點之後，通過增加來自2D激光掃描儀的深度信息來獲得每個特征點的3D坐標。然後從特征點的3D坐標生成3D機器人位姿約束。在前面的小節中詳細描述了使用單目相機和激光掃描儀獲得機器人姿勢的混合方法。