我们来详细拆解一下滤波器方法（尤其是EKF-SLAM）的缺点，并系统地与图优化方法进行对比。
第一部分：滤波器方法（以EKF-SLAM为例）的缺点
扩展卡尔曼滤波器（EKF）是早期SLAM的主流解决方案，它确实基于隐马尔可夫模型（HMM） 的假设，即当前状态只依赖于上一个状态。其“预测-更新”的框架在SLAM中对应为：
- 预测： 根据机器人当前的运动（控制输入），预测它新的位姿和地图中已有路标点的位置。
- 更新： 当传感器观测到环境中的路标时，将预测值与观测值进行比较，用两者的差值（ innovation ）来修正整个状态向量（包括机器人位姿和所有路标点位置）。
这种方法的主要缺点如下：
-
线性化误差（Linearization Error）
- 核心问题： EKF的核心缺陷。EKF通过在均值处进行一阶泰勒展开来线性化非线性系统。当系统非线性程度高（如旋转角度大、运动模型复杂）时，这种近似会引入巨大误差。
- 后果： 导致滤波器发散（Divergence），即估计值完全偏离真实值。这要求滤波器的更新频率必须非常高，以确保线性化点与真实状态足够接近，但这在计算上往往是不可行的。
-
计算复杂度高（High Computational Complexity）
- EKF维护的状态向量的协方差矩阵的大小是
O(n²)，其中n是状态向量的维度（机器人位姿维度 + 3 * 路标点数量）。 - 每次更新（即使只观测到一个路标）都需要对整个协方差矩阵进行更新，计算复杂度为
O(k * n²)，其中k是观测到的路标数。 - 后果： 这使得EKF-SLAM无法应用于大规模环境，因为路标数量
n增长到几千个时，计算量就会变得难以承受。
- EKF维护的状态向量的协方差矩阵的大小是
-
一致性（Consistency）问题
- 由于线性化误差，EKF往往会过度自信（Over-Confident）。它的协方差矩阵估计得过小，无法真实反映估计误差的不确定性。这意味着滤波器认为自己的估计非常准确，但实际上误差很大。
- 后果： 一个不一致的滤波器是不可靠的，因为它无法为路径规划和决策提供可信的不确定性信息。
-
脆弱的数据关联（Data Association）
- EKF严重依赖于准确的数据关联（即正确地将当前的观测与状态向量中已有的某个路标匹配）。如果数据关联出错（误匹配），错误的观测信息会通过EKF更新过程污染整个状态估计，导致灾难性的失败。
- EKF本身没有很好的机制来处理或回退错误的数据关联。
-
不是最优的（Not truly Optimal）
- 卡尔曼滤波器家族（KF, EKF）仅在系统为线性高斯模型时是最小均方误差意义下的最优估计器。EKF只是对非线性系统的近似，因此它无法保证最优性。
-
信息丢弃（Information Discarding）
- 基于马尔科夫假设，EKF只保留“当前时刻”的状态估计。它丢弃了过去的观测数据，只保留了这些信息在当前状态协方差矩阵中的“摘要”。
- 后果： 一旦发生线性化错误或数据关联错误，无法回溯和纠正，错误会一直传递下去。
第二部分：与图优化（Graph-Based Optimization）的优缺点对比
图优化是现代SLAM后端的主流方法，其代表是位姿图（Pose Graph） 和因子图（Factor Graph）。它将SLAM问题建模为一个图（Graph）：
- 节点（Nodes）： 表示需要估计的变量（机器人的历史位姿，有时也包括路标点位置）。
- 边（Edges）： 表示节点之间的约束。包括：
- 里程计边： 连接连续位姿，由运动模型产生。
- 观测边（回环边）： 连接非连续的位姿（通过回环检测），或者连接位姿与路标点。
后端优化的目标就是调整图中所有节点的位置，使得它们满足所有边构成的约束的总体误差最小。
对比表格
| 特性 | 滤波器方法 (EKF-SLAM) | 图优化方法 |
|---|---|---|
| 信息利用 | 缺点： 丢弃历史信息，只保留当前状态摘要。 | 优点： 保留全部历史信息（所有位姿和观测）。 |
| 线性化 | 缺点： 一阶线性化，误差大，易发散。 | 优点： 通常使用非线性优化（如Gauss-Newton, Levenberg-Marquardt），多次迭代线性化，更精确，更鲁棒。 |
| 计算效率 | 缺点： 复杂度为 O(n²)，不适合大规模环境。 | 优点： 利用图的稀疏性，求解器（如g2o, GTSAM）效率极高，复杂度可降至近 O(n)，适合大规模场景。 |
| 一致性 | 缺点： 不一致，容易过度自信。 | 优点： 更一致，能更好地表达不确定性（尤其在优化后）。 |
| 回环处理 | 缺点： 处理回环困难，回环校正会影响整个状态向量，计算爆炸。 | 优点： 核心优势。增加一个回环约束就像在图中添加一条边，优化过程会全局性地调整所有相关位姿，纠正累积误差，效果显著。 |
| 数据关联鲁棒性 | 缺点： 非常脆弱，一次错误匹配可能导致系统崩溃。 | 优点： 相对更鲁棒。错误匹配在优化中会表现为一个“ outlier ”（异常值），可以使用鲁棒核函数（如Huber, Cauchy）来减弱其影响，或者用闭环检测的验证机制来剔除。 |
| 最优性 | 缺点： 次优，是近似解。 | 优点： 寻找的是全局最优（或更优）的解（在给定初始值附近）。 |
| 资源消耗 | 优点： 内存占用相对恒定（只维护当前状态）。 | 缺点： 内存占用随时间/位姿数量线性增长（需要存储所有节点和边）。 |
总结与比喻
-
EKF-SLAM 像一个患有短期健忘症的导航员：
- 他只看当前的一步和地图，根据上一步的位置和指南针（预测）来走，偶尔看一眼地标（更新）来纠正自己。如果他某一步走错或者看错了地标，这个错误会一直累积下去，无法回头修正，最终彻底迷路。
-
图优化 像一个拥有完美记忆和全局视野的制图师：
- 他每走一步都在地图上画一个点并记录下与前后点的关系（里程计）和看到的地标（观测）。当他走了很远突然发现回到了一个熟悉的地方（回环）时，他会把这张大地图铺开，重新审视所有走过的路径和标记，整体地进行调整和修正，从而得到一幅最准确、最一致的地图。
结论：
对于小规模、结构化、线性程度高的环境，EKF因其简单和计算量恒定仍有一定价值。然而，对于大规模、复杂、要求高精度和鲁棒性的现代SLAM应用（如自动驾驶、移动机器人），图优化方法在几乎所有方面都超越了滤波器方法，成为当今绝对的主流。其处理回环的能力和利用稀疏性的高效计算，是滤波器方法无法比拟的。
扫一扫
675
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
