晚上好，本系列的最後一篇~
現有問題與未來趨勢
雖然卡爾曼濾波作為一種成熟的估計和預測方法，已經在許多領域廣泛應用，但是在機器人視覺的應用中，仍然存在一些問題。研究人員不僅在簡單的跟蹤與定位應用中付出努力，在改進算法上主要有以下幾個方面工作。
A.實時應用與計算複雜性
卡爾曼濾波已經被應用於幾乎所有的SLAM系統，是機器人自主導航的關鍵研究內容。基於EKF的單目視覺SLAM是處理問題的重要方法。但是，由於其計算較為複雜，嚴重的限制了特徵點的數量和穩定性。傳統方法選擇了一些角點和直線作為特徵點，也限制了EKF-SLAM的應用範圍。Tamas等人根據特徵點均勻分佈的假設，提出了一種基於SIFT特徵的關鍵點（key-point）選擇方法。通過控制特徵點的數量來減少單目視覺EKF-SLAM的應用限制。計算複雜度極大地影響實時系統的應用。
B.初始化和可靠性
可靠性是工業應用中的一個重要問題。機器人控制中基於視覺的姿態估計依賴的卡爾曼濾波器，需要整定其濾波器參數。卡爾曼類技術依賴於已有的噪聲統計、初始目標姿態、以及足夠高的採樣率用於量測函數的線性化近似。偏離這些條件，通常會導致視覺伺服控制中的姿態估計退化。隨機穩定性的建立取決於初始估計誤差的條件、觀測噪聲協方差的約束、觀測的非線性和建模誤差。動態特徵必須有效且高效的從濾波器移除或者添加。應該探索新的方法來去除異常值和提高特徵匹配率。這些將有助於EKF算法的穩定性，併兼容更精確的機器人定位與姿態估計。
C.參數約束
對於某些應用場景，在卡爾曼濾波中引入參數約束是有益的。例如：卡爾曼濾波常用於較大範圍內SLAM的移動車輛狀態估計，將絕對信息以一致方式合併。然而，已知的模型或信號往往被忽略或根據經驗處理。另一個例子是基於物理因素的狀態值約束常常被忽略，因為它們難以適配卡爾曼濾波的結構。Cao等人嘗試了一種在卡爾曼濾波中引入狀態方程約束的嚴格分析方法。該約束隨時間變化，顯著的提高了濾波器的預測精度。SLAM使用道路約束的卡爾曼濾波來保持車輛定位位與建圖的誤差。
D.效率和準確性
效率和準確性一直是機器人視覺中的最重要因素。例如：EKF往往需要大量視覺信息的計算。Lee等人提出一種基於遞歸UKF的高效算法。應用於大量路標的場景。該算法遞歸計算機器人姿態的後驗概率分佈。每個路標的位置都會隨著機器人姿態的遞歸計算而更新。該方法顯著的降低了濾波維度和計算複雜度。事實上，SLAM的EKF算法的計算複雜度是地圖尺寸的O(N2)。UKF算法主要用於改善非線性處理，但是其複雜度是地圖尺寸的O(N3)，這使得其對視頻速率有要求的應用沒有吸引力。Van derMerwe 和 Wan提出的SR-UKF能夠節省計算量，且保證結果與UKF一致，但是其計算量仍維持在O(N3)。Holmes等人提出了一種複雜度為O(N2)的SR-UKF算法。結果表明，SR-UKF和UKF得到了相同的估計，但是前者具有較好的一致性。Huang 和 Song認為視覺重疊（referencescans）可以重複使用，以減少SLAM中EKF算法的計算複雜度。當然，預測精度能夠大大提高系統性能。
E.與人工智能結合
將卡爾曼濾波與一些人工智能方法結合能夠獲得更好的效果。模糊邏輯、神經網絡、遺傳算法等，可以結合起來處理複雜任務。例如：神經網絡可以用於估計里程計誤差。在線學習可以通過增加神經網絡的突觸權重作為EKF過程狀態向量的元素。實驗證明，PSO-KF算法有助於目標跟蹤。
結論
本系列文章總結了機器人視覺感知領域的卡爾曼濾波發展近況。典型的成果主要涉及定位、監視、估計、搜索、探索、導航、操縱、跟蹤、建圖、建模等領域。文中列出了一些代表性成果，可以幫助讀者對現有技術有一個總體認識。本文研究了許多視覺採集問題的解決方法。由卡爾曼濾波發展而來的二十多種算法，介紹了EKF與UKF。在卡爾曼濾波的50年曆史中，進入機器人領域約有30年。
©本文由泡泡機器人原創編譯，轉載請聯繫[email protected]獲得授權。
原文：Chen S Y. Kalman Filter for Robot Vision: A Survey[J]. IEEE Transactions on Industrial Electronics, 2012, 59(11):4409-4420.
#泡泡嘮叨話#
#001 感謝你的閱讀，頭條號的第五篇，本系列結束。
#002 即將開啟新的系列，你想看什麼方面的乾貨內容呢？歡迎留言~