一個(gè)魯棒的基于圖優(yōu)化的精確雷達(dá)建圖

摘要

工業(yè)環(huán)境中的移動(dòng)機(jī)器人需要準(zhǔn)確的地圖以執(zhí)行導(dǎo)航和服務(wù)任務(wù)煞额。 本文介紹了一個(gè)SLAM框架思恐，該框架由不同的優(yōu)化組件組成，旨在構(gòu)建非常精確的地圖膊毁。 我們?cè)谇岸颂峁└呒?jí)水平的為數(shù)據(jù)關(guān)聯(lián)提供先驗(yàn)的特征點(diǎn)提取器胀莹。 由于感知混疊，2D激光表示可能導(dǎo)致錯(cuò)誤的閉環(huán)檢測(cè)婚温，這可以通過(guò)后端中的現(xiàn)有圖優(yōu)化技術(shù)可靠地解決描焰。最后的后處理步驟使用包含激光測(cè)距儀特定特征的先進(jìn)傳感器模型生成高度精確的地圖。 所獲得的框架在從典型工業(yè)環(huán)境獲得的數(shù)據(jù)集上進(jìn)行評(píng)估缭召。 給定遍歷環(huán)境的地面實(shí)況測(cè)量值來(lái)估計(jì)最終的地圖精度栈顷。

簡(jiǎn)介

圖1

移動(dòng)機(jī)器人在工業(yè)環(huán)境中的自主操作需要平臺(tái)相對(duì)于全局參考系的精確位置和方向。設(shè)置諸如視覺(jué)標(biāo)記之類(lèi)的人造地標(biāo)可以容易地解決該問(wèn)題嵌巷，然而萄凤，這需要修改環(huán)境。相比之下搪哪，使用板載傳感器構(gòu)建的先驗(yàn)地圖使機(jī)器人能夠獨(dú)立于標(biāo)記的存在進(jìn)行導(dǎo)航靡努。提供遍歷區(qū)域的路徑是已知的，可以容易地構(gòu)建地圖晓折。對(duì)于大多數(shù)情況惑朦，這些路徑是難以獲得的且對(duì)于室內(nèi)環(huán)境而言難以獲得高精度的路徑。如果地圖和路徑都是未知的漓概，則機(jī)器人必須同時(shí)保持關(guān)于其位置的估計(jì)以及可通過(guò)的環(huán)境漾月，這被稱(chēng)為同時(shí)定位和建圖（SLAM）問(wèn)題。本文提出了一個(gè)SLAM框架胃珍，可以使用激光測(cè)距儀構(gòu)建高度精確的地圖梁肿，如圖1所示。這包括一個(gè)通過(guò)局部運(yùn)動(dòng)和閉環(huán)提供機(jī)器人姿態(tài)空間關(guān)系的前端觅彰。這些信息被傳遞到后端吩蔑，該后端維持姿勢(shì)關(guān)系并估計(jì)機(jī)器人行進(jìn)的路徑。在給定估計(jì)的軌跡之后執(zhí)行關(guān)節(jié)位姿和地圖優(yōu)化填抬。所提出的框架利用g2o [1]烛芬，一種通用的廣泛用于機(jī)器人和計(jì)算機(jī)視覺(jué)的圖優(yōu)化后端。特別是基于優(yōu)化的SLAM問(wèn)題方法正在積極研究中。因此赘娄，存在大量前期的工作仆潮，這些工作在摘錄中概述。Olson等人介紹了一種使用梯度下降進(jìn)行圖優(yōu)化的有效方法[2]擅憔。 Grisetti等鸵闪，提出了一個(gè)基于樹(shù)的實(shí)現(xiàn)，創(chuàng)造了TORO暑诸，它明確地將圖優(yōu)化與地圖的大小聯(lián)系起來(lái)而不是軌跡的長(zhǎng)度[3]蚌讼。在[4]中，Kretzschmar和Stachniss建議通過(guò)信息理論進(jìn)一步降低姿勢(shì)圖的復(fù)雜性个榕。Blanco等人提出了混合度量拓?fù)銼LAM的通用接口篡石，構(gòu)建了基于占用網(wǎng)格的子圖的圖形，非常適合于映射大規(guī)模環(huán)境[5]西采』巳基于度量的SLAM系統(tǒng)，例如RBPF [6]械馆，通過(guò)位置識(shí)別方法補(bǔ)充胖眷，例如，F(xiàn)AB-MAP [7]霹崎。 iSAM [8]給出了一種基于SLAM的在線應(yīng)用優(yōu)化解決方案珊搀，這種方法的關(guān)鍵思想是，只需要更新因子圖中的一小部分變量以進(jìn)行增量操作尾菇。 Kaess等人境析。進(jìn)一步擴(kuò)展了他們的算法，使用貝葉斯樹(shù)實(shí)現(xiàn)增量變量重新排序和重新線性化[9]派诬。在[9]中劳淆，證明了iSAM在實(shí)際數(shù)據(jù)集上優(yōu)于其他最先進(jìn)的方法，如HOG-MAN [10]和Spa2D [11]默赂。然而沛鸵，我們的框架更側(cè)重于構(gòu)建一個(gè)準(zhǔn)確的地圖，該地圖不一定必須在線執(zhí)行缆八，因?yàn)閿?shù)據(jù)集是為此目的而進(jìn)行批量處理的谒臼。
上面提到的基于優(yōu)化的SLAM方法在準(zhǔn)確性方面提供了實(shí)質(zhì)性結(jié)果，因?yàn)樗鼈冊(cè)噲D根據(jù)相關(guān)約束找到給定圖表示的最優(yōu)解耀里。然而，假設(shè)所有回環(huán)檢測(cè)都是正確的拾氓，這對(duì)前端中的數(shù)據(jù)關(guān)聯(lián)提出了很高的要求冯挎。在視覺(jué)SLAM系統(tǒng)中常見(jiàn)的幾何一致性檢查，例如[12]中描述的，可以最小化錯(cuò)誤檢測(cè)的數(shù)量房官，但通常不能避免它們趾徽。這是因?yàn)橐恍┑胤接捎诟兄殳B而難以區(qū)分，特別是對(duì)于存在許多重復(fù)結(jié)構(gòu)的2D激光掃描翰守，例如在工業(yè)環(huán)境中孵奶。除此之外，由于更悲觀的評(píng)估蜡峰，還需要昂貴的數(shù)據(jù)關(guān)聯(lián)技術(shù)了袁，這些技術(shù)也可能拒絕真正的回環(huán)。另一方面的虛假約束可能會(huì)導(dǎo)致圖優(yōu)化中的分歧湿颅，這些不能通過(guò)諸如[13]中所示的偽Huber誤差函數(shù)的魯棒方法來(lái)充分減輕载绿。在[14]中，Sünderhauf和Protzel提出了一種強(qiáng)大的優(yōu)化方法油航，使后端能夠通過(guò)切換回環(huán)約束來(lái)修改姿勢(shì)圖崭庸。這允許前端中非常簡(jiǎn)單的數(shù)據(jù)關(guān)聯(lián)技術(shù)將更多數(shù)量的回環(huán)候選和相關(guān)的置信度傳遞給后端，后者能夠禁用錯(cuò)誤的約束谊囚。 由于該技術(shù)被包含在所提出的框架中怕享，因此在本文的其余部分中給出了更詳細(xì)的描述。
預(yù)計(jì)從魯棒的后端將獲得拓?fù)湟恢碌淖藙?shì)圖(pose graph)镰踏。 然后根據(jù)該位姿圖估計(jì)最終地圖函筋。 在[15]中，正如Ruhnke等人所證明的那樣余境，有利的是對(duì)激光束的物理進(jìn)行建模驻呐，以便最大化地圖的局部精度。 這具體地解決了光束的范圍和入射角芳来。 通過(guò)聯(lián)合優(yōu)化光束測(cè)量的特性含末，局部環(huán)境和原點(diǎn)傳感器姿態(tài)，可以獲得高精度的地圖表示[15]即舌。 本文通過(guò)僅使用2D激光測(cè)距儀和車(chē)輪里程計(jì)的移動(dòng)機(jī)器人繪制工業(yè)環(huán)境佣盒，展示了該想法的好處。
本文的其余部分安排如下顽聂。 第2節(jié)和第3節(jié)描述了框架的前端和后端及其組件肥惭。 我們?cè)诘?節(jié)中提出實(shí)驗(yàn)結(jié)果，然后在第5節(jié)結(jié)束紊搪。

2. 建圖前端

本節(jié)描述了建圖框架的前端蜜葱。 它提供了關(guān)于連續(xù)運(yùn)動(dòng)機(jī)器人姿勢(shì)的初始估計(jì)。 除此之外耀石，前端負(fù)責(zé)識(shí)別先前觀察到的位置牵囤，從而將回環(huán)候選傳遞給后端。 這是通過(guò)從激光范圍掃描(range scan)中提取與先前掃描獲得的特征相匹配的特征來(lái)完成的。(通過(guò)匹配特征)

A. 估計(jì)初始化

機(jī)器人連續(xù)軌跡間的姿態(tài)相對(duì)變換由里程計(jì)測(cè)量值(車(chē)輪)給出揭鳞。 由于車(chē)輪滑動(dòng)炕贵，這些估計(jì)可能會(huì)迅速發(fā)生變化。 我們使用激光掃描匹配來(lái)校正從里程計(jì)獲得的位置估計(jì)野崇。 應(yīng)用基于點(diǎn)到線度量的ICP算法[16]称开。

B. 特征提取

我們使用快速激光興趣區(qū)域變換(Fast Laser Interest Region Transform，F(xiàn)LIRT)[17]乓梨，靈感來(lái)自于先前工作中的計(jì)算機(jī)視覺(jué)中尺度不變點(diǎn)特征檢測(cè)器鳖轰。 FLIRT將激光的范圍數(shù)據(jù)(range data)視為被映射成多尺度表示的一維曲線。 因此督禽，我們獲得了由變化高斯核來(lái)平滑的所有尺度的曲線脆霎。 對(duì)平滑核進(jìn)行歸一化以使其對(duì)采樣密度不變。 檢測(cè)每個(gè)尺度的局部極值狈惫。 這種數(shù)學(xué)推導(dǎo)在[18]中給出睛蛛。 最后，我們獲得梯度高于某個(gè)閾值的一組興趣點(diǎn)作為局部最大值胧谈。 這些點(diǎn)通常指的是2D掃描中的角點(diǎn)忆肾。(不太懂)
為了將被檢測(cè)的興趣點(diǎn)與先前觀測(cè)的興趣點(diǎn)相互關(guān)聯(lián)，需要進(jìn)一步給興趣點(diǎn)分配描述子菱肖。類(lèi)似于計(jì)算機(jī)視覺(jué)中的常見(jiàn)特征檢測(cè)器Tipaldi等提出的用特征描述符捕獲感興趣點(diǎn)的局部環(huán)境[17]客冈，其能夠識(shí)別后續(xù)掃描中觀察到的特征。諸如LRF的范圍測(cè)量傳感器給出關(guān)于由傳感器的視場(chǎng)（FOV）覆蓋的自由空間和占用空間的明確信息稳强。因此场仲，將其用描述子是有利的。在每個(gè)興趣點(diǎn)周?chē)⒘艘粋€(gè)極坐標(biāo)的計(jì)算方法退疫。這與占用柵格建圖類(lèi)似渠缕，但是我們僅在興趣點(diǎn)周?chē)筛叻直媛示W(wǎng)格，而不是描述激光掃描覆蓋的整個(gè)區(qū)域褒繁。由于FLIRT興趣點(diǎn)具有高度的獨(dú)特性亦鳞，并且不假設(shè)特定的幾何圖元，因此它們非常適合于許多非特征性的環(huán)境類(lèi)型（例如長(zhǎng)走廊）棒坏。關(guān)于特征檢測(cè)器和描述符的更多細(xì)節(jié)可以在[17]中找到燕差。

C. 回環(huán)檢測(cè)

SLAM系統(tǒng)最重要的需求是能夠檢測(cè)和合并已經(jīng)訪問(wèn)過(guò)的地方的信息，這些信息被稱(chēng)為回環(huán)坝冕。 通過(guò)回環(huán)能夠減少累積姿勢(shì)不確定性隨時(shí)間增加徒探。 現(xiàn)在已經(jīng)進(jìn)行了針對(duì)2D范圍掃描中的回環(huán)檢測(cè)的大量研究，并且可以將其分為柵格地圖(gird map)和基于特征的方法喂窟。
基于柵格地圖方法通常不能隨著地圖尺寸的增加而很好地?cái)U(kuò)展刹帕，因?yàn)樗鼈兙幋a了大量的自由空間吵血。 對(duì)于基于Rao-Blackwellized粒子濾波器（例如[6]）的方法尤其如此，因?yàn)槊總€(gè)粒子保持整個(gè)軌跡的單獨(dú)圖偷溺。 另一方面基于特征的方法通常假設(shè)在諸如角點(diǎn)的環(huán)境中的特定結(jié)構(gòu)，這妨礙了它們?cè)跓o(wú)結(jié)構(gòu)環(huán)境中的使用钱贯。 然而挫掏，作為本文特別關(guān)注的工業(yè)環(huán)境通常包括由諸如架子或機(jī)器之類(lèi)的物體引起的精細(xì)結(jié)構(gòu)。 通過(guò)從每次激光掃描中提取的FLIRT興趣點(diǎn)很好地考慮這些結(jié)構(gòu)秩命。 這些與使用對(duì)稱(chēng)χ²度量和最近鄰策略的與先前掃描的特征進(jìn)行匹配尉共。(文章假設(shè)了環(huán)境存在角點(diǎn))一組對(duì)應(yīng)的特征點(diǎn)被傳遞給RANSAC進(jìn)行幾何一致性檢查。每對(duì)描述子距離小于一定閾值的興趣點(diǎn)被推定為潛在的匹配弃锐。從對(duì)應(yīng)集中隨機(jī)抽取最少的兩對(duì)袄友，然后如下進(jìn)行RANSAC迭代。計(jì)算推定匹配的空間距離霹菊。如果這些距離的偏移低于閾值剧蚣，則通過(guò)估計(jì)這兩個(gè)點(diǎn)之間的變換來(lái)生成假設(shè)。此變換應(yīng)用于所有觀察到的特征旋廷，以便將這些特征投影到參考掃描的坐標(biāo)系中鸠按。因此，為每個(gè)觀察到的特征點(diǎn)分配參考掃描的最接近的對(duì)應(yīng)特征點(diǎn)饶碘。將所有對(duì)的平方距離相加目尖，其用作兩次掃描的匹配分?jǐn)?shù)。只有距離低于閾值的那些對(duì)被添加到內(nèi)部集合中扎运。在基于RANSAC的數(shù)據(jù)關(guān)聯(lián)中瑟曲，前述的過(guò)程重復(fù)進(jìn)行。如果剩余的一組內(nèi)點(diǎn)高于閾值t_min豪治，則生成回環(huán)約束洞拨。t_min的值高度依賴(lài)于優(yōu)化后端的穩(wěn)健性，特別是它處理數(shù)據(jù)關(guān)聯(lián)錯(cuò)誤的能力鬼吵。(這一段翻譯的特別亂扣甲，下附原文，這一段大概在將RANSAC的作用)

3. 優(yōu)化后端

由于前端急但，我們給出了機(jī)器人姿勢(shì)和表達(dá)空間約束的關(guān)系的初始圖。 此圖的優(yōu)化是后端的任務(wù)搞乏。 本節(jié)的其余部分簡(jiǎn)要介紹位姿圖SLAM波桩，解釋如何處理錯(cuò)誤回環(huán)檢測(cè)并構(gòu)建最終地圖。

A. 位姿圖(pose graph) SLAM

提供的移動(dòng)機(jī)器人導(dǎo)航是在2維空間中進(jìn)行的请敦，其狀態(tài)向量可以用x =（x镐躲，y，φ）T來(lái)描述冬三。 位姿圖圖SLAM僅優(yōu)化給定軌跡的機(jī)器人姿勢(shì)x_i匀油，省略分別優(yōu)化地標(biāo)掃描點(diǎn)。 該圖由位姿x_i和位姿x_i和x_j之間邊界給出的頂點(diǎn)組成勾笆。 并且執(zhí)行動(dòng)作u_i =Δ（x敌蚜，y，φ）以便從狀態(tài)x_i到x_i+1根據(jù)運(yùn)動(dòng)模型合并：

B. 魯棒的優(yōu)化

Tipaldi等人在[20] 中唤崭，在SLAM框架中展示了FLIRT興趣點(diǎn)的魯棒性和高重復(fù)性。 然而脖律，作者使用TORO [3]作為優(yōu)化后端谢肾，在存在偽回環(huán)檢測(cè)時(shí)這種后端不魯棒。 對(duì)于具有多個(gè)重復(fù)結(jié)構(gòu)的環(huán)境而言小泉，這是一個(gè)顯著的缺點(diǎn)芦疏，這些結(jié)構(gòu)難以通過(guò)2D激光掃描來(lái)區(qū)分冕杠。 提出了將位姿搜索空間限制在當(dāng)前估計(jì)周?chē)木植繀^(qū)域的滑動(dòng)窗口以最小化該問(wèn)題。 然而酸茴，它阻礙了在具有大環(huán)路和較差的先驗(yàn)位姿估計(jì)的環(huán)境中的應(yīng)用分预，例如通過(guò)車(chē)輪里程計(jì)獲得。
對(duì)于SLAM問(wèn)題的通承胶矗基于最小二乘的優(yōu)化方法保持所提供的位姿圖的結(jié)構(gòu)固定噪舀，假設(shè)所有回環(huán)約束是正確的。 Sünderhauf和Protzel提出了可切換約束飘诗，通過(guò)修改的目標(biāo)函數(shù)來(lái)解決優(yōu)化問(wèn)題。他們的工作使用表示可切換回環(huán)約束的圖形模型中的因子界逛±ジ澹基于此，圖的拓?fù)浣Y(jié)構(gòu)不是固定的息拜，但也可以進(jìn)行優(yōu)化溉潭。以這種方式可以禁用表示為開(kāi)關(guān)變量s_ij的閉環(huán)∩倨郏回環(huán)對(duì)優(yōu)化的貢獻(xiàn)可以通過(guò)其初始值γ_ij和相應(yīng)的協(xié)方差Ξ_ij來(lái)合并喳瓣。例如，這些估計(jì)器可以通過(guò)前端的地點(diǎn)識(shí)別系統(tǒng)的一定程度的信任來(lái)給出赞别。這些開(kāi)關(guān)先驗(yàn)是必要的畏陕，以避免優(yōu)化器關(guān)閉所有回環(huán)，如[14]所示仿滔。為了在優(yōu)化中包括可切換約束惠毁，目標(biāo)函數(shù)（式5）被修改如下：(本文加入了可以切換的回環(huán)約束)

C. 地圖構(gòu)建

稀疏表面調(diào)整（SSA）是一個(gè)聯(lián)合優(yōu)化問(wèn)題，旨在尋找機(jī)器人位姿和激光測(cè)量值的最佳設(shè)置牺荠。這種方法由Ruhnke等人在[15]中提出翁巍，與計(jì)算機(jī)視覺(jué)中的稀疏束調(diào)整（SBA）非常相似。 SBA通過(guò)最小化點(diǎn)的重投影誤差來(lái)優(yōu)化一組相機(jī)位姿和圖像序列的3D點(diǎn)志电。類(lèi)似地曙咽，SSA優(yōu)化機(jī)器人位姿和激光點(diǎn)，然而SBA需要點(diǎn)對(duì)點(diǎn)挑辆，和數(shù)據(jù)關(guān)聯(lián)中的點(diǎn)對(duì)面對(duì)應(yīng)的SSA相反例朱。進(jìn)一步假設(shè)環(huán)境由光滑表面組成孝情，這對(duì)于人造結(jié)構(gòu)是非常常見(jiàn)的。改進(jìn)的傳感器模型明確地解釋了激光測(cè)距儀的距離測(cè)量中的不確定性洒嗤，其主要由于入射角和距離變化的局部表面特征而發(fā)生箫荡。這是通過(guò)將激光掃描描述為一組表面切線來(lái)完成的，每個(gè)表面切線代表一個(gè)激光束渔隶。切線被建模為高斯的羔挡，其中平均值μ_ik以機(jī)器人的激光束k為中心，位姿i和基于周長(zhǎng)點(diǎn)的協(xié)方差估計(jì)∑_ik间唉。表面沿著它們的切線方向平滑地移動(dòng)绞灼，并且沿著面向機(jī)器人姿勢(shì)的法線方向更加剛性。機(jī)器人姿態(tài)X和表面貼片(?surface patches)M的聯(lián)合優(yōu)化問(wèn)題公式如下[15]：

4. 實(shí)驗(yàn)

為了評(píng)估所提出的框架呈野，進(jìn)行了許多實(shí)驗(yàn)低矮。 為此，我們通過(guò)倉(cāng)庫(kù)手動(dòng)操縱移動(dòng)機(jī)器人捕獲激光范圍掃描和車(chē)輪里程計(jì)被冒。 以下部分簡(jiǎn)要介紹了用于實(shí)驗(yàn)的移動(dòng)平臺(tái)军掂，并討論了獲得的結(jié)果。 首先昨悼，證明了強(qiáng)大的優(yōu)化后端的必要性蝗锥。 第二部分顯示了在典型的工業(yè)環(huán)境中使用所提出的框架實(shí)現(xiàn)的最終建圖精度。

A. 平臺(tái)

使用由德國(guó)Metralabs GmbH開(kāi)發(fā)的Scitos G5平臺(tái)（參見(jiàn)圖2）率触。 它配備了四個(gè)攝像頭终议，兩個(gè)激光測(cè)距儀（Hokuyo URG04-LX，SICK S300）闲延，一個(gè)TOF攝像頭（PMD Camcube 3.0）和車(chē)輪里程計(jì)痊剖。 只有前向SICK S300用于地圖構(gòu)建。

B. 貢獻(xiàn)魯棒的后端

盡管FLIRT興趣點(diǎn)非常獨(dú)特垒玲，但回環(huán)檢測(cè)錯(cuò)誤的數(shù)量很高陆馁。 這主要是由于2D激光掃描的有限場(chǎng)景表示引起的感知混疊。 幾何一致性檢查無(wú)法在所有情況下阻止這種情況合愈，因?yàn)榄h(huán)境中存在大量重復(fù)結(jié)構(gòu)叮贩，例如貨架和盒子。 圖3顯示了位姿圖優(yōu)化的結(jié)果佛析，強(qiáng)調(diào)了魯棒的后端的重要性益老。 我們使用了Switchable Constraints [14]實(shí)現(xiàn)，創(chuàng)造具有線性切換功能寸莫。 此外捺萌，我們使用了通用圖優(yōu)化后端g2o [1]。 這兩種實(shí)現(xiàn)都是從openslam2平臺(tái)獲得的膘茎。

參考文獻(xiàn)相關(guān)論文閱讀

1.參考文獻(xiàn)16桃纯，ICP-point-to-line

參考文獻(xiàn)：

[1] R. Kummerle, G. Grisetti, H. Strasdat, K. Konolige, and W. Burgard, “g2o: A general framework for graph optimization,” in ICRA, Shanghai, 2011.
[2] E. Olson, J. Leonard, and S. Teller, “Fast iterative optimization of pose graphs with poor initial estimates,” 2006, pp. 2262–2269.
[3] G. Grisetti, S. Grzonka, C. Stachniss, P. Pfaff, and W. Burgard, “Efficient estimation of accurate maximum likelihood maps in 3d,” San Diego, CA (USA), 2007, pp. 3472–3478.
[4] H. Kretzschmar and C. Stachniss, “Information-theoretic compression of pose graphs for laser-based slam,” vol. 31, pp. 1219–1230, 2012.
[5] J.-L. Blanco, J.-A. Fernandez-Madrigal, and J. Gonzalez, “A new approach for large-scale localization and mapping: Hybrid metrictopological slam,” in Robotics and Automation, 2007 IEEE International Conference on, 2007, pp. 2061 –2067.
[6] G. Grisetti, C. Stachniss, and W. Burgard, “Improving grid-based slam with rao-blackwellized particle filters by adaptive proposals and selective resampling,” in Robotics and Automation, 2005. Proc. of the 2005 IEEE International Conference on, Apr. 2005, pp. 2432 – 2437.
[7] M. Cummins and P. Newman, “FAB-MAP: Probabilistic Localization and Mapping in the Space of Appearance,” The International Journal of Robotics Research, vol. 27, no. 6, pp. 647–665, 2008.
[8] M. Kaess, A. Ranganathan, and F. Dellaert, “iSAM: Incremental smoothing and mapping,” IEEE Trans. on Robotics (TRO), vol. 24, no. 6, pp. 1365–1378, Dec. 2008.
[9] M. Kaess, H. Johannsson, R. Roberts, V. Ila, J. Leonard, and F. Dellaert, “iSAM2: Incremental smoothing and mapping using the Bayes tree,” Intl. J. of Robotics Research (IJRR), vol. 31, pp. 217–236, Feb. 2012.
[10] G. Grisetti, R. Kummerle, C. Stachniss, U. Frese, and C. Hertzberg, “Hierarchical optimization on manifolds for online 2d and 3d mapping,” in Robotics and Automation (ICRA), 2010 IEEE International Conference on, 2010, pp. 273–278.
[11] K. Konolige, G. Grisetti, R. Kümmerle, W. Burgard, B. Limketkai, and R. Vincent, “Efficient sparse pose adjustment for 2d mapping,” in Proc. of the IEEE/RSJ Int. Conf. on Intelligent Robots and Systems (IROS), Taipei, Taiwan, October 2010.
[12] D. Galvez-Lopez and J. D. Tardos, “Bags of binary words for fast place recognition in image sequences,” IEEE Transactions on Robotics, vol. 28, no. 5, pp. 1188–1197, October 2012.
[13] N. Sünderhauf, “Robust optimization for simultaneous localization and mapping,” Ph.D. dissertation, 2012.
[14] N. Sünderhauf and P. Protzel, “Towards a robust back-end for pose graph slam,” in Robotics and Automation (ICRA), 2012 IEEE International Conference on, may 2012, pp. 1254 –1261.
[15] M. Ruhnke, R. Kümmerle, G. Grisetti, and W. Burgard, “Highly accurate maximum likelihood laser mapping by jointly optimizing laser points and robot poses,” in Proc. of the IEEE Int. Conf. on Robotics & Automation (ICRA), 2011.
[16] A. Censi, “An ICP variant using a point-to-line metric,” in Proceedings of the IEEE International Conference on Robotics and Automation (ICRA), May 2008.
[17] G. Tipaldi and K. Arras, “Flirt - interest regions for 2d range data,” in Robotics and Automation (ICRA), 2010 IEEE International Conference on, 2010, pp. 3616 –3622.
[18] R. Unnikrishnan and M. Hebert, “Multi-scale interest regions from unorganized point clouds,” in Workshop on Search in 3D (S3D), IEEE Conf. on Computer Vision and Pattern Recognition (CVPR), June 2008.
[19] M. W. M. G. Dissanayake, P. Newman, S. Clark, H. F. Durrantwhyte, and M. Csorba, “A solution to the simultaneous localization and map building (slam) problem,” IEEE Transactions on Robotics and Automation, vol. 17, pp. 229–241, 2001.
[20] G. D. Tipaldi, M. Braun, and K. O. Arras, “Flirt: Interest regions for 2d range data with applications to robot navigation,” in Proceedings of the International Symposium on Experimental Robotics (ISER), Dehli, India, 2010.
[21] E. Einhorn, C. Schroter, and H. Gross, “Finding the adequate resolution for grid mapping - cell sizes locally adapting on-the-fly,” in Robotics and Automation (ICRA), 2011 IEEE International Conference on, 2011, pp. 1843–1848.