摘要
随着机器人自动化需求的不断提高，卡尔曼滤波器受到了广泛的关注。本文简要概括了机器人视觉的最新进展。在众多影响机器人性能的因素中，卡尔曼滤波对视觉感知有很大的贡献。
卡尔曼滤波用于解决机器人定位、导航、跟随、追踪、运动控制、估计和预测、视觉伺服控制和操作、以及图像序列的结构重建中的不确定性。在50周年纪念日，我们注意到目前已经发展出20多种卡尔曼滤波器。其中包括扩展卡尔曼滤波（EKF）和无迹卡尔曼滤波（UKF）。最近30年来，约有800本文献中介绍了机器人视觉问题中这些滤波器的性能。这些问题涵盖了相当广泛的应用领域，例如：对象建模、机器人控制，目标跟踪，监视、搜索、识别、装配，以及机器人操作、定位、绘制地图、导航和搜索。本文对这些文献进行总结，以便在实际应用时能够方便的找到合适的方法。同时，本文也简要的介绍了一些代表性成果和未来的研究趋势。
关键词：计算机视觉，估计，卡尔曼滤波，定位，粒子滤波，预测，机器人视觉。
I.引言
卡尔曼滤波是在最小二乘估计框架下处理异源测量的一种标准方法。在众多应用中，卡尔曼滤波是机器人视觉发展最重要的组成部分，其通过摄像头采集的含有噪声和不确定性误差的图像，使估计值越来越接近机器人和目标的真实空间量测，例如：机器人自定位[1]和目标估计[2]。
视觉定位是移动机器人的一个关键问题，尤其是在GPS 和惯性传感器不可用的环境中。在这些环境中，准确而高效的机器人定位不是一个简单的任务，因为精度的增加通常会导致效率下降，反之亦然[3]。自动检测和跟踪也是研究的热点领域，相应的应用有导弹跟踪和安全系统，商业领域包括虚拟现实，机器人视觉等。在精确着陆的视觉辅助导航中，卡尔曼滤波能够将视觉特征观测与其他量测（GPS，惯性，力敏传感器）融合。该滤波器能够在实时的条件下，准确地估计出地形相对位置和自身速度[4]-[6]。
基于视觉传感器的姿态估计被广泛应用于机器人应用中。这个估计可以由不同坐标系的单应矩阵和相机的几何投影求出。由于多传感器融合的鲁棒性和灵活性，这种算法已经变得越来越有吸引力[7]。自主机器人在捕获目标时，其视觉系统需要采用一个基于卡尔曼滤波的算法来检测目标，确定目标跟踪精度，预测运动[8]。对于鲁棒视觉跟踪控制，卡尔曼滤波可以用于参数估计，克服临时遮挡问题[9]。对于这种功能，通常使用无迹卡尔曼滤波（UKF）融合多传感器信息。
从二维图像中恢复三维结构是解决机器人和计算机视觉领域中很多问题的基础。基于视觉的地面自主车辆的一个主要问题就是如何对环境进行分类、分割和辨识，以实现在室内、室外以及非结构化环境的定位。现在机器人最流行的方法是实时定位与建图（SLAM）[10]，而通常机器人导航需要使用扩展卡尔曼滤波（EKF）。EKF是卡尔曼滤波的非线性扩展。但是，由于其计算复杂度较高，对于特征点的数量和稳定性有较为严格的限制。相比之下，传统方法选择一些角点和直线作为特征点[11]，尺度不变特征变换（SIFT）能够提高收敛速度。现在，卡尔曼滤波仍在大多数自主机器人系统中发挥着作用。
本文只介绍卡尔曼滤波在机器人视觉领域的应用。虽然这个主题从上世纪80年代开始就吸引了很多学者研究[12]，但本文主要关注近5年来的成果。并不是每一篇发表的文献都会被挑选并评论。因此，我们只选择我们认为是代表性的重要工作和近年来的流行趋势。多数情况下，我们提供了参考文献以便更好的总结、区分关键点和方法。
本文还有6章内容。II 章简要概述了相关的成果。III 章介绍了机器人视觉中KF和EKF的经典公式IV 章列出了卡尔曼滤波相关的任务、问题和应用。V 章介绍怎样使用KF解决这些问题。我们根据具体任务提出了可用的方法和解决方案。VI 章讨论当前和未来的发展趋势。VII 章是结论。
II成果概况
A概要
从1980到2010年间，约有800篇关于机器人视觉领域的卡尔曼滤波文献发表。图1显示了这些年度的文献分布。图中2010年的记录是不完整的，因为只有前两个季度的文献被检索，许多文献尚未被纳入索引数据库。图中显示，卡尔曼滤波器：1）出现于1983年左右，在最初的十年内发展；2）接下来的十年有所升温；3）再接下来的十年中迅速发展；4）在最近5年发到发展高峰。
图1. 1983~2010年文献发表分布请点击此处输入图片描述
B. 典型代表
卡尔曼滤波在机器人视觉感知中有着广泛的应用。其中最为重要的总结在下表：
1）机器人控制[13]；
2）目标跟踪[14]；
3）路径跟随[15]；
4）数据估计和预测[16], [17]；
5）机器人定位[3], [18]；
6）机器人操作[19]；
7）SLAM [11], [20], [21]；
8）三维建模[22]；
9）视觉伺服[23], [24]；
10）视觉导航[4], [25]；
11）leader–follower系统[26]。
解决机器人视觉问题的常用方法如下：
1）卡尔曼滤波[ 27 ]；
2）自校正（self-tuning）卡尔曼滤波器[ 28]；
3）稳态卡尔曼滤波器[ 29 ]；
4）集合Kalman滤波（EnKF）[ 30 ]、[ 31]；
5）自适应滤波（AKF）[ 32 ]；
6）switching卡尔曼滤波器（SKF）[ 32 ]；
7）模糊卡尔曼滤波[ 33 ]；
8）EKF [ 34 ]；
9）motor EKF（MEKF）[ 35 ]；
10）混合EKF（HEKF）[ 36 ]；
11）增广状态EKF [ 37 ]；
12）修正协方差扩展卡尔曼（mv-ekf）[ 38]；
13）迭代自适应EKF（ia-ekf）[ 24 ]；
14）UKF [ 39 ]；
15）双UKF（DUKF）[ 40 ]；
16）递归UKF[ 41 ]；
17）平方根UKF（SR-UKF）[ 42 ]；
18）运动学卡尔曼滤波器(KKF) [43 ]；
19）多维运动学卡尔曼滤波器（MD-KKF）[ 43]；
20）模糊逻辑控制器的卡尔曼滤波器（flc-kf）[ 44]；
21）神经网络辅助EKF（nn-ekf）[ 45 ]；
22）粒子群优化辅助EKF [ 46 ]。
在各种各样的滤波器中，主要的差异和特点可以简要的总结为：EKF是KF的非线性扩展，它根据系统的当前时刻对其期望和协方差线性化[47]。UKF 通过无迹变换（UT）在期望值附近选取一组最小采样点，使得滤波器能够在状态转移和观测模型高度非线性时，获得较好的性能。EnKF是一种适用于大量变量情况的递推滤波器，如地球物理模型偏微分方程的离散化[30],[31]。它是集合预测中重要的数据融合部分。粒子滤波类似于重要性抽样方法[48]-[50]，通常用于估计与马尔可夫链联系的潜变量的贝叶斯模型。粒子滤波通常可用于替换EKF或者UKF，其优势在于：当有足够样本时，更接近于贝叶斯最优估计，所以其精度会优于EKF或UKF。但是，当样本量不足时，可能会导致样本枯竭。在下图表中，选出了一些代表性的工作和方法，便于查看。
表1 近期代表性成果
卡尔曼滤波已经成为分析和解决定位估计问题的有效的数学工具[59],[60]。EKF无疑是移动机器人中应用最为广泛的非线性状态估计方法，尤其是定位和建图问题[61]。最近机器人视觉应用的成果中约有70%是使用EKF作为估计方法。在表I中列出的代表性成果有助于相关工作的快速入门和理解。在文献[62]中进一步研究了基于卡尔曼滤波的SLAM方法；在文献[58]中对比了EKF和UKF的数据融合；更早期的文献[63]中使用了基于模型的立体跟踪卡尔曼滤波方法。当然，本文可能是唯一一个提供机器人视觉卡尔曼滤波发展综述的文献。
本文由泡泡机器人原创编译，转载请联系paopaorobot@126.com获得授权。
原文：Chen S Y. Kalman Filter for Robot Vision: A Survey[J]. IEEE Transactions on Industrial Electronics, 2012, 59(11):4409-4420.
#泡泡唠叨#
#001 头条号的第一篇，mark一下。
#002 本文就到这里喽，下一篇为你带来第二部分，敬请期待。
联系客服
