SLAM(即時定位與地圖構(gòu)建)是一個經(jīng)過深入研究的計算問題，它涉及更新環(huán)境映射，同時跟蹤代理的位置(一般來說，所述代理是無人機或機器人)。廉價、無處不在的深度傳感器和復雜算法的出現(xiàn)，在一定程度上解決了這一問題，但即使是最先進的視覺系統(tǒng)也并不完美：對稱和重復的模式有時會導致錯誤的地圖，上述傳感器往往會產(chǎn)生大量笨拙的數(shù)據(jù)。

圖片來源：圖蟲創(chuàng)意

這就是為什么研究人員建議使用Wi-Fi傳感技術(shù)來補充這項技術(shù)。在Arxiv.org上發(fā)表的一篇新論文《為室內(nèi)應用增加可視SLAM與Wi-Fi感應》描述了一種將無線數(shù)據(jù)集成到可視SLAM算法中的“通用方法”，其目標是提高數(shù)據(jù)的準確性和最小化硬件開銷。

“在大多數(shù)城市環(huán)境中，大多數(shù)機器人或移動設(shè)備都可以使用Wi-Fi無線網(wǎng)絡(luò)，Wi-Fi無線接入點無處不在，Wi-Fi和視覺傳感相互補充。在這項工作中，我們提出了一個通用的工作流程，將Wi-Fi傳感技術(shù)結(jié)合到可視SLAM算法中，以減輕感知混疊和高計算復雜性?！痹撜撐牡淖髡邔懙馈?/p>

研究人員的系統(tǒng)將來自攝像機的視覺框架(圖像)與相應的Wi-Fi信號相關(guān)聯(lián)。每走三到四米，機器人或移動設(shè)備就會暫停十秒鐘來收集信號，然后與隨后的任何視覺幀相關(guān)聯(lián)，直到下一次暫停。Wi-Fi集群的分布，每一個都包含類似于識別標志的幀，有助于建立與當前幀的空間接近度。該團隊指出，當前幀僅與類似集群內(nèi)的幀進行比較，以便加快循環(huán)關(guān)閉，或者決定代理是否返回到以前訪問過的區(qū)域。最后，將當前幀分配給正確的集群。

科學家們使用他們的技術(shù)檢測了三個獨立的開源可視化SLAM系統(tǒng)——RGBD-SLAM、RTAB-Map和ORB-SLAM，并在測試中使用微軟Kinect傳感器收集了測量結(jié)果(相當于大學校園建筑的四組數(shù)據(jù))，該傳感器安裝在Turtlebot機器人上。分析表明，在所有四種算法中，平均準確率提高了11%，計算時間減少了15%至25%，并且與FABMAP(一種Wi-Fi增強SLAM系統(tǒng))的性能相當，甚至在某些情況下更好。

當然，還有改進的空間。研究人員指出，Wi-Fi信號強度受“環(huán)境動態(tài)”的影響，比如房間里的人數(shù)和同時連接的設(shè)備數(shù)量，而房間里幾乎沒有像墻壁這樣的“阻擋物體”，Wi-Fi集群的數(shù)量往往更少。此外，他們說，性能增益與訪問點的數(shù)量有關(guān)，建議的方法適用于低至40的情況下將工作得更好。

盡管如此，該團隊認為，通過一些改進(以及細粒度60GHz感應等技術(shù))，他們的方法不僅可以用于當前和未來的機器人，還可以用于AR耳機，如微軟的HoloLens和MagicLeap的One。他們寫道：“我們希望展示W(wǎng)i-Fi傳感技術(shù)在城市空間長期持續(xù)使用中的效用。(我們已經(jīng)證明)這些工作對機器人和移動設(shè)備都很有用?！?/p>

編譯：鄭翊君

文章來源：

https://venturebeat.com/2019/03/18/wi-fi-data-helps-researchers-improve-accuracy-of-mapping-algorithms/