基于判别图模型的复杂环境下自治机器人定位与地图构建研究.doc

国家自然科学基金申请书 2011版 申请代码 F030602 受理部门 收件日期 受理编号 第 4 页 版本1.011.980 国家自然科学基金 申 请 书 (2011版) 您现在不能检查保护文档或打印文档，请根据以下三个步骤操作： 1)如果您是Word2000,word XP, word 2003或以上版本用户，请把Word宏的安全性设为:"中" 方法: Word菜单->工具->宏->安全性->安全级,设置为"中" (如果您是Word97用户，继续执行以下步骤) (如果您是Office2007用户，点击word左上角"安全警告"处"选项"中的"启用此内容") 2)关闭本文档，重新打开本文档 3)点击"启用宏"按钮，即可开始填写本文档或打印了 资助类别：青年科学基金项目 亚类说明： 附注说明： 项目名称：基于判别图模型的复杂环境下自治机器人定位与地图构建研究 申 请 人：孙作雷 电话： 13621662663 依托单位：上海海事大学 通讯地址：上海市临港新城海港大道1550号上海海事大学信息工程学院 邮政编码：201306 单位电话：021-38284338 电子邮箱：sunzuolei@ 申报日期： 2011年3月2日 国家自然科学基金委员会 基本信息yEqE60in 申 请 人 信 息 姓名 性别 男 出生 年月 1981年1月 民族 汉族 学位 博士 职称 讲师 每年工作时间（月） 8 电话 13621662663 电子邮箱 sunzuolei@ 传真 国别或地区 中国 个人通讯地址 上海市临港新城海港大道1550号上海海事大学信息工程学院 工作单位 上海海事大学 /电子工程系 主要研究领域 移动机器人导航与环境辨识 依托单位信息 名称 联系人 郑爱兵 电子邮箱 abzheng@ 电话 021-38284338 网站地址 合作研究单位信息 单 位 名 称 项 目 基 本 信 息 项目名称 资助类别 青年科学基金项目 亚类说明 附注说明 申请代码 F030602:机器人导航、定位与控制 F030401:模式识别基础 基地类别 研究期限 2012年1月 — 2014年12月 研究属性 应用基础研究 申请经费 30.0000万元 摘 要 (限400字)：对于复杂环境下的自治机器人同时定位与地图构建(Simultaneous localization and mapping, SLAM)问题，采用传统的地图表征方式和静态景物假设难以准确建模非结构化、动态环境，传统的数据融合框架也限制了地图规模的增广。本课题面向复杂环境，研究用机器学习的方法解决SLAM问题。利用判别图模型(Discriminative graphical model)智能管理传感器观测的帧内和帧间特征，估计机器人相对运动、辨识、追踪动态景物，并分析决策的不确定性；基于对两帧观测影像相似度的推理，探测闭环(Loop closure)；同时，采用基于场景的地图表征，将图模型推理融入改进的滞后状态信息滤波，组成完整的SLAM算法。该算法改进了传统研究的不足，在非结构化、动态、大规模环境下，能保持良好的一致性和稳健性，为自治机器人定位与地图构建提供了可靠的解决方案。 关 键 词(用分号分开，最多5个) 同时定位与地图构建；图模型；自治机器人 项目组主要参与者（注: 项目组主要参与者不包括项目申请人） 编号 姓 名 出生年月 性别 职 称 学 位 单位名称 电话 电子邮箱 项目分工 每年工作时间（月） 1 1962-12-21 男 教授 硕士 上海海事大学 13801826389 liansunzeng@ 算法设计 8 2 1977-3-12 男 副研究员 博士 中国科学院上海微系统与信息技术研究所 13564122437 zhangaigh@ 算法设计与实现 4 3 1987-6-30 男 硕士生 学士 上海海事大学 38282808 zhangshaoneng@ 算法调试与验证 8 4 1986-6-24 男 硕士生 学士 上海海事大学 38282808 yunhai2009@ 实验组织及数据处理 8 5 6 7 8 9 总人数 高级 中级 初级 博士后 博士生 硕士生 5 2 1 2 说明: 高级、中级、初级、博士后、博士生、硕士生人员数由申请人负责填报（含申请人），总人数由各分项自动加和产生。 经费申请表 （金额单位：万元） 科目 申请经费 备注（计算依据与说明） 一.研究经费 23.0000 1.科研业务费 15.5000 （1）测试/计算/分析费 2.5000 传感器标定、校准和测试、算法测试、实验费用 （2）能源/动力费 1.2000 用于水电、场租等费用 （3）会议费/差旅费 7.1000 每年两次国内会议（6*0.6 万），一次国际会议（2*1 万）,调研费1.5 万 （4）出版物/文献/信息传播费 4.7000 国内外期刊、会议版面费，专利申请费 （5）其他 2.实验材料费 4.5000 （1）原材料/试剂/药品购置费 4.5000 购买实验中需要的传感器、元器件和办公消耗品 （2）其他 3.仪器设备费 2.0000 （1）购置 1.5000 购买实验用的电动车等 （2）试制 0.5000 工具、简单测试设备 4.实验室改装费 5.协作费 1.0000 用于租赁中科院上海微系统与信息技术研究所的机器人实验平台 二.国际合作与交流费 2.5000 1.项目组成员出国合作交流 1.5000 项目组成员出国访问研究 2.境外专家来华合作交流 1.0 要求国外同行来华交流 三.劳务费 3.0000 研究生津贴 四.管理费 1.5000 科研管理费 合 计 30.0000 与本项目相关的 其他经费来源 国家其他计划资助经费 其他经费资助（含部门匹配） 其他经费来源合计 0.0000 申请者在撰写报告正文时，请遵照以下要求： 1、    请先选定"项目基本信息"中的"资助类别"，再填写报告正文； 2、    在撰写过程中，不得删除系统已生成的撰写提纲（如误删可点击“查看报告正文撰写提纲”按钮，通过"复制/粘贴"恢复）； 3、    请将每部分内容填写在提纲下留出的空白区域处； 4、    本要求将作为申请书正文撰写是否规范的评判依据，请遵照要求填写。 报告正文 第 25 页 青年科学基金项目申请书撰写提纲 （一）立项依据与研究内容（4000-8000字）： 1. 项目的立项依据（研究意义、国内外研究现状及发展动态分析，需结合科学研究发展趋势来论述科学意义；或结合国民经济和社会发展中迫切需要解决的关键科技问题来论述其应用前景。附主要参考文献目录） 自身位姿估计和对环境的建模辨识是移动机器人实现自治的两个关键问题。上世纪八、九十年代，研究者相继认识到基于空间相关性的不确定性存在于机器人位姿与环境特征估计之间[1, 2]、以及不同环境特征估计之间[3]。基于该认知，Leonard和Durrant-Whyte以机器人位姿与环境特征方位组成状态向量，使移动机器人利用传感器辨识并描述未知环境同时估计自身状态，提出了移动机器人领域的重要问题—同时定位与地图构建(Simultaneous localization and mapping, SLAM或Concurrent mapping and localization, CML)[4]。在随机概率理论层面，它可提炼为对条件于传感器观测集的机器人自身和环境状态联合后验概率的推理，并可映射为动态贝叶斯网络。理论体系的不断完善促进了SLAM在多个领域内结合自治机器人系统的研究，例如，外星球探索[5]，采矿自动化与安全[6]，水下制导与深海勘探[7, 8]，无人飞行器导航与自治[9]，灾难现场搜救[10]，安全辅助驾驶[11]。尽管取得长足进步，但随着自治机器人应用向复杂环境的延伸，当前SLAM研究存在下述不足[12]：首先，复杂环境下景物非结构化的(Unstructured)形状和质地使传统研究的地图表征手段难以实施。例如，无法把闹市环境归纳为有限个显著特征的集合；其次，复杂环境下的运动景物违背了传统研究常用的静态环境假设。例如，行驶于公路的自导航车不能将周围运动的车辆和行人简化为静物；再者，越来越多的实际系统需具备覆盖大规模(Large scale)或超大规模环境的续航能力[13]。例如，应用于低空监控的无人机需要在整个城市路网范围内长时间地定位并记录环境地图。针对上述问题，本课题研究在非结构化、包含动态景物、大规模的复杂环境下适用的SLAM算法，用机器学习的方法解决关键技术细节。 1.1 针对环境非结构化的研究进展 SLAM研究的首要问题是如何抽象地描述机器人作业环境并映射为恰当的地图表征。 1.1.1 非结构化环境下的地图表征 依据适用环境非结构化程度的不同，SLAM系统的地图表征研究可分为三类：第一类，基于环境中的显著特征(Feature-based) [4, 14]。该方式将环境描述为点、线等几何基元(Geometric primitives)的集合。比如被研究者频繁使用的维多利亚公园数据就适用于将环境中的树干等效为点特征的地图表征[15, 16]；国内的研究者也广泛研究了该地图表征方式，例如，中国科学院自动化研究所的原魁课题组[17]，上海交通大学的陈卫东课题组[18]。但是，不规则景物构成的非结构化环境通常难以用有限个几何基元抽象表达。这直接限制了该方式在真实系统中的应用。第二类，基于占有栅格(Occupancy grid)。该方式将环境物理空间离散为栅格单元的集合[19]。每个栅格单元对应一个空间坐标和一个指示是否被环境景物占据的二进制标签。大连理工大学的庄严课题组[20]、中南大学的蔡自兴课题组[21]等国内研究者也开展了对这类地图表征的研究。尽管该方式使非结构化环境的地图构建成为可能，但复杂度为的潜在地图规模（其中表示环境所包含的栅格数）限制了它在大尺度空间中的应用[22]。第三类，基于场景(View-based)。该研究的雏形最早可追溯到文献[23]，但近几年才真正被研究者关注[8]，该方式不直接将传感器感知作为估计对象，而是存储原始观测数据，并与迭代估计出的机器人状态合成出全局地图，从而回避了对环境特征的分割和提取，更适于非结构化复杂环境。本课题将研究合理构建状态和辨识模型融入基于场景的地图表征体系，并探索该体系的难点：机器人相对运动估计和环路闭合探测。 1.1.2 基于场景的相对运动估计 文献[24]提出了通过关联两相邻时刻传感器观测数据的帧内特征估计机器人相对运动的方法，让基于场景的地图表征体系可以在物理构架上掘弃里程计，使基于单一传感器实现SLAM中的多个功能部件成为可能，从而简化了系统构架。这类算法中，被广泛关注的有：匹配两帧激光束的迭代最近点(Iterative closest point, ICP)[24, 25]和匹配两帧图像的视觉里程计(Visual odometry, VO)[26, 27]。这些算法以欧式距离关联不同机器人中心坐标系下的帧内特征，缺少对高维形状的探究，同时也缺少对估计不确定性的概率指征。近来，有研究者从机器学习的角度解决该问题，提出使用概率图模型(Graphical model)建模并智能管理观测数据特征，通过权重学习和概率推理实现观测配准[28-30]。与另一种常用的生成(Generative)图模型相比，这些研究使用的判别(Discriminative)图模型直接建模观测量与待推理量间的条件概率。这避免了建模联合概率时对观测量间复杂关系的考量，更适于非结构化环境下的应用。本课题基于判别图模型为基于场景的SLAM探索更优质的相对运动估计及误差分析。 1.1.3 非结构化环境下的环路闭合探测 数据关联是SLAM研究的重要问题。在机器人运动过程中，传感器在不同时刻的多组观测量可能源自现实中同一被观测的物理特征，数据关联(Data association)旨在寻求观测量间的这种对应(Correspondence)关系。相关联的观测量可能采自相邻时刻；也可能采自间隔很长的两时刻，在这两时刻间机器人经过了一个闭合的轨迹，这种情况在SLAM研究中称作环路闭合(Loop closure)或重游问题。由于状态估计的累积误差、传感器观测的遮蔽和景物的机动性使非结构化复杂环境下的环路闭合探测十分困难。研究者解决该问题的思路可概括为两类：第一类，对比经不确定性补偿后的当前和历史估计状态。例如，北京大学赵卉菁课题组发表的文献[11]中阐述的面向路径(Trajectory-oriented)的环路闭合探测算法。这类算法执行效率高，但对后验概率的过估计(Over-estimate)和欠估计(Under-estimate)都会干扰环路闭合探测；第二类，对比当前和历史时刻两帧传感器观测的表观(Appearance)。例如，文献[31]使用了熵序列相关(Entropy sequence correlation)基于激光粒子影像判断环路闭合；文献[32]提出FAB-MAP算法通过评估在地图构建中已使用图像帧特征的概率判断环路闭合。文献[33]提出基于语义词典库(Bag-of-words, BoW)结合概率图模型的算法体系，为环路闭合探测提供了新方法。秉承这一思路，本课题以基于表观的方式利用判别图模型解决非结构化环境下环路闭合探测问题。 1.2 针对环境机动性的研究进展 复杂环境下SLAM研究的另一个难点是处理动态景物所带来的影响。 1.2.1 传统研究中的静态环境假设 大多数传统研究用静态环境假设简化系统，但自治机器人广泛应用的室外复杂环境却通常违背该假设。将传感器对动态景物的观测与基于静态环境假设的辨识模型结合会诱发局部地图的全局性差异。绝大多数传统研究将该差异简化看作观测噪声，超过某一门限时就将连续几帧传感器观测剔除。文献[22]指出，这种策略破坏了状态估计的一致性(Consistency)，在极端的情况下，估计器将发散。从静态环境假设的概率本质解释，不同景物间及同一景物不同时间序列间的固定相关性给整个系统带来正的信息；相反，动态相关性带来负的信息。 1.2.2 基于动态环境假设的动态景物辨识与追踪 在状态估计领域，运动物体的探测与追踪(Detection and tracking of moving objects, DATMO)已成为经典问题[34]。其核心引申为混合状态推理和运动模型的学习。解决该问题的主流算法为多模型(Multiple-model, MM)及其变种。该算法通过将物体运动特性建模为常速度、常加速度、转弯等模型的组合，将模型学习问题简化为对已知模型的选择[35]。 在机器人导航领域，一些研究仅辨识动态景物。例如，文献[36]提出了一种可以表征机动性能的栅格地图，还将地图分为静态和动态两个版本，该算法一定程度上加重了基于占有栅格地图表征的运算负荷。中南大学的蔡自兴课题组也提出了类似的方案，取得了被领域认可的成果[37]。文献[38]引入新的公制捕捉动态景物，但其算法没有考虑离群值(Outlier)。对于SLAM问题，辨识但不追踪动态景物一定程度上忽略了运动预测在全局后验概率估计中的正信息，有损估计器的鲁棒性。 一些研究既辨识又追踪动态景物。例如，文献[39]研究了类办公室环境下的移动机器人定位，并使用Brownian模型建模人的运动特性实现追踪，还使用了两个蒙特卡洛滤波器分别估计自身和运动目标状态。台湾国立大学的王杰智将SLAM问题和DATMO问题合成为一个后验概率估计。先基于观测量差异和一致性的方法将激光粒子聚类为段；再将包含足够多动态粒子的段识别为动态景物；又使用交互多模型(Interacting multiple model, IMM)完成追踪[40]。类似的构架同样移植到使用视觉传感器的系统[41]。北京大学的赵卉菁课题组将类似于文献[40]中的景物聚类称为“种子(Seed)”，通过比照连续采样时刻种子的状态辨识并追踪动态景物，并在GPS有信号时纠正SLAM估计，构建了实时系统[11]。西安理工大学的刘丁课题组将交互多模型和路径规划融入动态环境下的SLAM[42]。大连理工大学庄严、王伟课题组提出基于非恒速运动模型和卡尔曼滤波追踪机器人周围的行人[43]。 上述这些研究都取得了被领域认可的成果，也为本课题的研究奠定了坚实的基础。但它们大多采用了基于传感器观测沿时间序列差异的启发式(Heuristics)公制，仍存在可完善之处：首先，忽略了对基于观测数据帧内高维特征的帧间概率相关性的探究；其次，动态物体辨识和追踪的估计忽略了所依托的机器人位姿估计的不确定性，这诱发过乐观(Over-optimistic)的不一致(Inconsistent)估计；另外，这类方法在捕捉运动方向和传感器观测角度垂直的动态景物时性能欠佳。本课题研究基于判别图模型辨识并追踪环境下的动态景物以探索改进传统算法，并融入基于场景的SLAM构架。 1.3 针对环境规模的研究进展 除了环境非结构化引起的地图表征难题和动态景物的影响，实际问题的难点还来自于环境规模，而传统研究的数据融合框架对后验概率的参数化表征形式限制了系统所适用的地图尺度。SLAM后验概率的参数化可分为：高斯标准(Standard)表征[4, 14]、高斯正则(Canonical)表征[8, 26, 27, 44, 45]和蒙特卡洛表征[46-48]。以卡尔曼滤波(Kalman filtering)为代表的高斯标准参数化表征是传统研究的基础，但全相关(Fully correlated)的协方差矩阵使该体系的计算复杂度和内存开销与环境规模成平方关系，系统也因此仅在小尺度空间内可行[22, 49]。解决这一瓶颈是近几年领域内的热点，子图法和稀疏信息滤波是最受关注的两种方案。 1.3.1 子图法 子图法(Sub-mapping)将环境划分为若干易操作的子单元，基于各子单元的局部联合状态推理实现整个环境下的数据关联和后验概率估计，以缓解计算复杂度和内存需求。例如，文献[25]将子图阵列映射为高斯图结构，图的顶点关联各子图坐标系的原点，子图坐标系间的相对空间关系描述为图的边。这种做法一定程度上忽略了图估计器的全局更新。文献[40]为子图选择了基于栅格的环境描述，再将子图作为面特征，回归为基于特征的SLAM方案以探测环路闭合，实现城市街道环境下长距离的定位与地图构建。但该方法对子图的参数选取较为敏感，不恰当的规模和分辨率配置会破坏全局数据关联，因此不具备普适性。文献[50]假设子图是条件独立的(Conditionally independent)，使子图共享各自的局部状态估计，减少了线性化引入的误差，但该方法依然要面临非结构化环境特征的定义和提取问题。中国科学院沈阳自动化研究所的韩建达课题组和复旦大学陈雄课题组也开展了基于子图法的SLAM研究，并取得被领域认可的成果[51, 52]。但是，子图法的概率推理机制存在一定局限，它忽略或减弱了空间距离较大的环境特征间的相关性，在一定程度上阻碍了估计器的收敛效率[53]。 1.3.2 稀疏信息滤波 本质上，基于信息矩阵和信息向量的信息滤波(Information filtering)是基于高斯正则(Canonical)模型对联合后验概率的推理过程。文献[54]最早揭示了SLAM正则形式的近似稀疏性，并预言这将为降低大尺度地图的计算负荷提供新途径。文献[55]给出该特性的严密数学证明。基于上述理论进展，文献[56]和[49]相继提出了稀连接树滤波器(Thin junction tree filter, TJTF)和稀疏扩展信息滤波器(Sparse extended information filter, SEIF)，通过切断部分特征与机器人状态间的信息共享链接使近似稀疏的信息矩阵精确稀疏，维持计算复杂度和内存开销于线性。从而，无关乎地图规模，时间更新和观测更新都能在常时间内完成。但这种强制稀疏化策略让系统推理混入了不一致的概率分量[57]。文献[8]将机器人的历史位姿看作环境特征保留在后验概率估计中，无需额外近似，信息矩阵自然呈现精确稀疏性。因该算法的迭代滤波机制本身并不包含对环境的辨识，它与基于场景的地图表征具有天然的接口，二者相结合可同时突破传统研究对环境结构化和地图规模的限定。因此，一经提出便在领域内引起广泛关注。又因其后验概率表达包含机器人的历史位姿，该算法被称为滞后状态(Delayed-state)信息滤波。在此之后，基于场景的滞后状态信息滤波体系被不少研究者应用于真实的SLAM系统[7, 26, 27]。 尽管文献[8]中的研究具有里程碑的意义，但其算法体系陆续暴露出以下瓶颈：首先，如果将机器人所有位姿都作为滞后状态，那么无论机器人实际作业区域大小，状态向量都会无限增广，这违背了缓解地图规模的初衷；其次，如果基于所有环路闭合都进行观测更新，即在图结构中增加新状态与历史状态间的信息共享链接，那么会在信息矩阵的当前状态所在行和某一历史状态所在列交叉处引入非零元素块，继而减弱信息矩阵的稀疏性，这背离了算法对后验概率精确稀疏化的主旨；再者，对于大多数基于线性化技术的非线性系统，冗余的观测更新将累积非线性误差，从而破坏估计器的一致性。申请人在对基于场景的滞后状态信息滤波体系的前期研究中便遇到了前述局限。南开大学的孙凤池研究组利用互信息(Mutual information)评估手持单目SLAM的成本代价的思路[58]给申请人很大启发。尝试依据互信息去除冗余的滞后状态并管理基于环路闭合的观测更新频率是本课题的研究重点之一。 综上所述，对于在复杂环境下作业的自治机器人系统，当前的同时定位与地图构建研究存在下述不足：传统的地图表征方式不适于描述非结构化环境，由此带来传感器观测帧间配准及全局数据关联的难题；动态景物使传统的静态环境假设不再适用，而现有的动态景物辨识和追踪算法缺乏对观测数据概率特征的探究，性能有待优化；不断增广的环境规模和地图尺度使计算负荷过大，已有的数据融合方案有的收敛效率欠佳，有的滋生冗余信息。本课题针对上述不足，研究适用于复杂环境的SLAM算法。 参考文献 [1] R. Smith and P. Cheeseman, "On the representation and estimation of spatial uncertainty," The International Journal of Robotics Research, vol. 5, pp. 56-58, 1986. [2] H. F. Durrant-Whyte, "Uncertain geometry in robotics," IEEE Journal of Robotics and Automation, vol. 4, pp. 23-31, 1988. [3] R. Smith, M. Self, and P. Cheeseman, "Estimating uncertain spatial relationships in robotics," in Autonomous Robot Vehicles, I. J. Cox and G. T. Wilfon, Eds., ed New York: Springer-Verlag, 1990. [4] J. J. Leonard and H. F. Durrant-Whyte, "Simultaneous map building and localization for an autonomous mobile robot," in IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 1991, pp. 1442-1447. [5] P. Furgale and T. Barfoot, "Stereo mapping and localization for long-range path following on rough terrain," in IEEE International Conference on Robotics and Automation (ICRA), 2010, pp. 4410-4416. [6] S. Thrun, S. Thayer, W. Whittaker, et al., "Autonomous exploration and mapping of abandoned mines," IEEE Robotics & Automation Magazine, vol. 11, pp. 79-91, 2004. [7] A. Kim and R. Eustice, "Pose-graph visual SLAM with geometric model selection for autonomous underwater ship hull inspection," in IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2009, pp. 1559-1565. [8] R. M. Eustice, H. Singh, and J. J. Leonard, "Exactly sparse delayed-state filters for view-based SLAM," IEEE Transactions on Robotics, vol. 22, pp. 1100-1114, 2006. [9] J. Kim and S. Sukkarieh, "Real-time implementation of airborne inertial-SLAM," Robotics and Autonomous Systems, vol. 55, pp. 62-71, 2007. [10] A. Kleiner and C. Dornhege, "Real-time localization and elevation mapping within urban search and rescue scenarios," Journal of Field Robotics, vol. 24, pp. 723-745, 2007. [11] H. Zhao, M. Chiba, R. Shibasaki, et al., "SLAM in a dynamic large outdoor environment using a laser scanner," in IEEE International Conference on Robotics and Automation (ICRA), 2008, pp. 1455-1462. [12] 王耀南 and 余洪山, "未知环境下移动机器人同步地图创建与定位研究进展," 控制理论与应用, pp. 57-65, 2008. [13] T. Bailey and H. Durrant-Whyte, "Simultaneous localization and mapping (SLAM): Part II," IEEE Robotics & Automation Magazine, vol. 13, pp. 108-117, 2006. [14] 赵立军, 孙立宁, 李瑞峰, et al., "室内环境下同步定位与地图创建改进算法," 机器人, pp. 438-444, 2009. [15] J. Guivant and E. Nebot, "Optimization of the simultaneous localization and map-building algorithm for real-time implementation," IEEE Transactions on Robotics and Automation, vol. 17, pp. 242-257, 2001. [16] 武二永, 项志宇, 沈敏一, et al., "大规模环境下基于激光雷达的机器人SLAM算法," 浙江大学学报(工学版), pp. 1982-1986, 2007. [17] 温丰, 柴晓杰, 朱智平, et al., "基于单目视觉的SLAM算法研究," 系统科学与数学, pp. 827-839, 2010. [18] 许俊勇, 王景川, and 陈卫东, "基于全景视觉的移动机器人同步定位与地图创建研究," 机器人, pp. 289-297, 2008. [19] A. Elfes, "Using occupancy grids for mobile robot perception and navigation," Computer, vol. 22, pp. 46-57, 1989. [20] 张明状, 庄严, 王伟, et al., "移动机器人即时环境探索与地图库构建," 东南大学学报(自然科学版), pp. 111-115, 2009. [21] 潘薇, 蔡自兴, and 陈白帆, "复杂环境下多机器人协作构建地图的方法," 四川大学学报(工程科学版), pp. 143-148, 2010. [22] S. Thrun, W. Burgard, and D. Fox, Probabilistic robotics. Cambridge, MA: MIT Press, 2005. [23] F. Lu and E. Milios, "Globally consistent range scan alignment for environment mapping," Autonomous Robots, vol. 4, pp. 333-349, 1997. [24] F. Lu and E. Milios, "Robot pose estimation in unknown environments by matching 2d range scans," Journal of Intelligent and Robotic Systems, vol. 18, pp. 249-275, 1997. [25] M. Bosse, P. Newman, J. Leonard, et al., "Simultaneous localization and map building in large-scale cyclic environments using the Atlas framework," The International Journal of Robotics Research, vol. 23, pp. 1113-1140, 2004. [26] I. Mahon, S. B. Williams, O. Pizarro, et al., "Efficient view-based SLAM using visual loop closures," IEEE Transactions on Robotics, vol. 24, pp. 1002-1014, 2008. [27] K. Konolige and M. Agrawal, "Frameslam: From bundle adjustment to real-time visual mapping," IEEE Transactions on Robotics, vol. 24, pp. 1066-1077, 2008. [28] F. Ramos, D. Fox, and H. Durrant-Whyte, "CRF-matching: Conditional random fields for feature-based scan matching," in Robotics: Science and System (RSS), 2007. [29] F. Ramos, M. Kadous, and D. Fox, "Learning to associate image features with CRF-matching," in Experimental Robotics. vol. 54, O. Khatib, et al., Eds., ed: Springer Berlin / Heidelberg, 2009, pp. 505-514. [30] J. van de Ven, F. Ramos, and G. D. Tipaldi, "An integrated probabilistic model for scan-matching, moving object detection and motion estimation," in IEEE International Conference on Robotics and Automation (ICRA), 2010, pp. 887-894. [31] M. Bosse and R. Zlot, "Map matching and data association for large-scale two-dimensional laser scan-based slam," The International Journal of Robotics Research, vol. 27, pp. 667-691, 2008. [32] R. Paul and P. Newman, "FAB-MAP 3D: Topological mapping with spatial and visual appearance," in IEEE International Conference on Robotics and Automation (ICRA), 2