[논문] Consistency of the EKF-SLAM Algorithm
Robotics/SLAM / 2007/01/30 16:04
Abstract :
This paper presents an analysis of the extended Kalman filter formulation of
simultanouse localization and mapping. We show that the algorithm
produces very optimistic estimates once the 'true' uncertainty in vehicle
heading exceeds a limit. This failure is subtle and cannot, in general, be
detected without ground-truth, although a very inconsistent filter may
exhibit observable symptoms, such as disproportionately large jumps in the
vehicle pose update. Conventional solutions - adding stabilising noise,
using an iterated EKF or unscented filter, etc- do not improve the situation.
However, if "small" heading uncertainty is maintained, EKF-SLAM exhibits
consistent behavioour over an extended time-period. Although the
uncertainty estimate slowly becomes optimistic, inconsistency can be
mitigated indefinitely by applying tactics such as batch updates or
stabilising noise. The manageable degradation of small heading variance
SLAM indicates the efficacy submap methods for large-scale maps.
이 논문은 EKF-SLAM의 단점에 대해서 실험을 거쳐서 불확실성과 비효율성을 증명
한 논문입니다. 요약을 조금 줄여보면 EKF-SLAM은 매우 불확실한 한계를 넘어선
알고리즘이며 불균형하며 매우 큰 시간 주기로 갱신이 된다. 전통적인 해결법 보다는
안정적인 알고리즘 즉 개선은 되었지만 단점이 많은 알고리즘입니다. 이의 개선법으
로는 느린 측정과 불일치는 일괄 갱신이나 안정적인 잡음으로 완화가 가능하며 작은
주제의 변화 SLAM의 다루기 쉬운 성능 저하는 큰맵을 위한 작은 맵을 그리는데 효
과적이라는 이야기가 쓰여져 있습니다. 영어 해석이 잘못된것이 있을수 있으나 큰
의미는 틀리지 않은것 같습니다. 결론적으로는 관계 부분맵 결합 방법을 사용하여
속도적 개선이 가능하다는 의미인것 같습니다. 이 알고리즘을 바탕으로 졸작을 해야
하는 입장에서 FastSLAM보다 알고리즘적 효율성이 떨어지나 개선 방법이 있다니
저에게는 반가운 이야기인것 같습니다
This paper presents an analysis of the extended Kalman filter formulation of
simultanouse localization and mapping. We show that the algorithm
produces very optimistic estimates once the 'true' uncertainty in vehicle
heading exceeds a limit. This failure is subtle and cannot, in general, be
detected without ground-truth, although a very inconsistent filter may
exhibit observable symptoms, such as disproportionately large jumps in the
vehicle pose update. Conventional solutions - adding stabilising noise,
using an iterated EKF or unscented filter, etc- do not improve the situation.
However, if "small" heading uncertainty is maintained, EKF-SLAM exhibits
consistent behavioour over an extended time-period. Although the
uncertainty estimate slowly becomes optimistic, inconsistency can be
mitigated indefinitely by applying tactics such as batch updates or
stabilising noise. The manageable degradation of small heading variance
SLAM indicates the efficacy submap methods for large-scale maps.
이 논문은 EKF-SLAM의 단점에 대해서 실험을 거쳐서 불확실성과 비효율성을 증명
한 논문입니다. 요약을 조금 줄여보면 EKF-SLAM은 매우 불확실한 한계를 넘어선
알고리즘이며 불균형하며 매우 큰 시간 주기로 갱신이 된다. 전통적인 해결법 보다는
안정적인 알고리즘 즉 개선은 되었지만 단점이 많은 알고리즘입니다. 이의 개선법으
로는 느린 측정과 불일치는 일괄 갱신이나 안정적인 잡음으로 완화가 가능하며 작은
주제의 변화 SLAM의 다루기 쉬운 성능 저하는 큰맵을 위한 작은 맵을 그리는데 효
과적이라는 이야기가 쓰여져 있습니다. 영어 해석이 잘못된것이 있을수 있으나 큰
의미는 틀리지 않은것 같습니다. 결론적으로는 관계 부분맵 결합 방법을 사용하여
속도적 개선이 가능하다는 의미인것 같습니다. 이 알고리즘을 바탕으로 졸작을 해야
하는 입장에서 FastSLAM보다 알고리즘적 효율성이 떨어지나 개선 방법이 있다니
저에게는 반가운 이야기인것 같습니다
