作者：海绵宝宝 | 来源：3DCV

在公众号「3DCV」后台，回复「原论文」可获取论文pdf和代码链接

添加微信：dddvision，备注：SLAM，拉你入群。文末附行业细分群

1、导读

研究背景是在室内环境中，利用超宽带（UWB）雷达进行基于地标的同时定位与地图构建（SLAM）。传统的SLAM方法通常依赖于视觉传感器或激光雷达，但在视野受限或者光照条件不好的情况下，这些传感器的性能可能会受到限制。因此，本文提出了一种使用UWB雷达进行SLAM的方法，以克服这些限制。UWB雷达具有高精度和高信噪比的特点，并且在室内环境中具有较好的穿透能力，因此被认为是一种适合进行室内SLAM的传感器。通过使用UWB雷达获取环境中的地标信息，并结合机器人的运动模型，可以实现在未知环境中的同时定位与地图构建。

2、研究思路

使用超宽带（UWB）雷达进行在室内环境中的SLAM（同时定位与地图构建）。研究问题是在没有视觉信息的情况下，如何实现准确的定位和地图构建。

为了解决这个问题，本研究提出了一种基于UWB雷达的无锚点SLAM方法：

首先，将多个UWB雷达模块安装在机器人的两侧，用于获取雷达信号。然后，对获取的信号进行预处理，包括平滑处理和峰值检测，以获得清晰的雷达观测数据。接下来，利用三边测量的原理，将来自不同雷达模块的峰值进行三边测量，得到二维位置观测数据。最后，将这些观测数据与里程计运动模型结合，使用扩展卡尔曼滤波（EKF）进行定位和地图构建。

3、研究内容

关于在室内无法使用视觉的环境中，使用超宽带（UWB）雷达进行SLAM（同时定位与地图构建）的一种无锚点方法。介绍了使用XeThru X4M300 IR-UWB传感器获取雷达观测数据，并利用DBSCAN算法对观测数据进行进一步过滤，然后应用EKF SLAM算法进行地图构建和机器人姿态估计。

4、方法

雷达SLAM系统中有五个主要的构建模块：获取观测数据（雷达信号采集和预处理），然后进行三边测量以及去除异常值以获得清晰的观测数据。最后，将这些观测数据与EKF SLAM中的里程计运动模型相结合。

4.1、雷达信号采集

使用了四个XeThru UWB雷达模块，将其安装在机器人的两侧（如图1所示）。进行三边测量所需的最低要求是在一侧至少有两个传感器。因此，如果需要提高观测的准确性和精度，可以添加额外的传感器。每个模块的检测区域位于0.2米至9.4米之间。雷达读数中的峰值幅度对应于其视野中障碍物的雷达观测（如图2所示）。

接下来的几节将解释在获取峰值幅度时遇到的步骤和限制。默认情况下，XeThru X4M300已将其范围读数下转换为基带，使用181个样本（bin）来简化后处理。因此，基带输出的空间分辨率受到限制，为5.1厘米。为了提高分辨率，忽略了默认设置，并考虑了原始读数（如图2所示）。原始读数有1431个bin，因此范围以6.4毫米间隔采样，这比基带输出要好得多。然而，正如预期的那样，原始信号非常嘈杂。因此，下一部分将解释为了获得必要的观测而对信号进行去噪的步骤。

4.2、信号处理

信号处理的两个步骤，具体如下：

1）基本统计滤波器（将所有幅度低于平均幅度的数据点移除，即等于0） 2）然后使用Savitzky-Golay（SG）滤波器（在给定的帧长度m中拟合阶数为n的多项式）

首先，基本统计滤波器去除了背景白噪声，将仅显著的数据点发送到SG滤波器，从而减少了计算负载。SG滤波器是一种有限冲激响应低通滤波器，它使用最小二乘法将f_len个噪声数据点拟合到阶数为的多项式中。SG滤波器可以平滑嘈杂的信号，同时保持其形状和峰值，如图2b所示。在平滑信号之后，需要找到局部极大值（峰值幅度），以获得雷达检测。有两个超参数需要考虑：最小峰值高度（min_ph）和最小峰值突出度（min_pp）（即峰值相对于其他峰值的突出程度）。这些参数是通过试错方法进行调整的，以便排除雷达截面积（RCS）较低的雷达检测。如前所述，峰值对应于目标。因此，通过对两个附近雷达传感器的峰值进行三边测量，可以获得2D位置观测。

4.3、三边测量

三边测量是大多数测量系统在2D和3D领域中的基本原理。三边测量是基本的测量原理，用于确定地标位置。在本文中，使用三边测量来确定机器人周围的地标位置。三边测量利用了多个雷达模块的测距能力，通过测量到目标的距离来确定目标的位置。具体而言，通过测量到目标的距离，可以得到到目标的距离的三个约束条件，从而确定目标的位置。三边测量的准确性取决于测量误差和传感器之间的几何配置。在本文中，通过使用多个XeThru UWB雷达模块，可以进行三边测量，从而获得机器人周围地标的位置观测。

4.4、DBSCAN

DBSCAN是一种用于离群点过滤的密度聚类算法。在UWB雷达SLAM中，DBSCAN被用来过滤掉由于噪声引起的异常观测数据。该算法通过将观测数据进行聚类，识别出聚类中心点，并将这些中心点作为有效的观测数据输入到EKF SLAM中。DBSCAN算法有三个超参数：窗口大小（window_size），每个聚类中最小的观测点数（min_opc），以及搜索半径（search_rad）。窗口大小用于确定在应用DBSCAN之前要收集的机器人状态（带有观测数据）。

当机器人移动超过一个阈值距离或角度时，就会收集一个状态。较大的窗口大小会使观测数据更加依赖于里程计信息，但窗口大小不能太小，否则观测数据的数量会很少，异常观测和正确观测之间的差异不大。DBSCAN算法的输出是经过过滤的观测数据，这些数据被用作EKF SLAM的输入。通过使用DBSCAN算法进行离群点过滤，可以提高UWB雷达SLAM的性能和精度。

4.4、EKF SLAM

EKF SLAM（扩展卡尔曼滤波同时定位与地图构建）是一种用于同时定位和地图构建的算法。它基于卡尔曼滤波器，通过融合来自传感器的运动信息和观测信息来估计机器人的位置和地图。EKF SLAM的基本思想是通过迭代地更新机器人的状态估计和地图估计。在每个时间步骤中，它使用机器人的运动模型来预测下一个状态，并使用观测模型来校正预测的状态。观测模型将机器人的观测数据与地图中的特征进行匹配，从而估计机器人的位置和地图的特征。EKF SLAM的关键是状态估计的更新和地图的更新。状态估计的更新使用卡尔曼滤波器的预测和校正步骤，通过将运动模型和观测模型与当前的状态估计和观测数据进行融合来更新机器人的位置估计。地图的更新使用观测数据和当前的状态估计来更新地图中的特征。EKF SLAM的优点是可以处理非线性系统和非高斯噪声，并且可以在实时性要求不高的情况下进行地图构建。然而，它也有一些限制，例如对初始估计的依赖性和对传感器噪声的敏感性。

5、实验

本研究采用了UWB雷达SLAM的实验方法，分别在高杂乱的实验室环境和教室环境中进行了评估。

在实验室环境中，首先通过对机器人进行正方形轨迹的遥控操作，获取了地面真实轨迹和轮式测距的数据。

然后使用UWB雷达SLAM方法对机器人的姿态进行估计，并构建了地图。与地面真实轨迹进行对比后发现，估计的位置与真实位置之间的平均绝对轨迹误差（ATE）为12毫米。同时，UWB雷达SLAM方法还能够检测到一些由于雷达观测角度的不同而无法被2D激光雷达检测到的地标。在教室环境中，由于地面是地毯，轮式测距的数据容易产生漂移。此外，地标之间的距离较远。因此，相比于实验室环境，需要增加运动不确定性和马氏距离阈值。经过实验后发现，估计的位置与真实位置之间的ATE为62毫米。综上所述，本研究通过在不同环境中进行实验评估，验证了UWB雷达SLAM方法的准确性和可行性。

6、结论

本文提出了一种在无人机室内环境中使用超宽带（UWB）雷达进行无锚点SLAM的方法。通过使用XeThru X4M300 IR-UWB传感器获取雷达信号，并进行预处理、三边测量和去除异常值等步骤，最终将观测结果与里程计运动模型相结合，实现了SLAM。实验结果表明，该方法在实验室和教室环境中的定位精度较高，与地面真值的平均绝对轨迹误差（ATE）分别为12毫米和62毫米。此外，UWB雷达相比其他技术具有更高的精度和信噪比，并且在室内环境中的衰减较小。因此，本文的研究结论是使用UWB雷达进行无锚点SLAM是一种有效的方法，可以在视觉受限的室内环境中实现准确的定位和建图。