《Applied Sciences》：From Pixels to Maps: Implementing RGB-D SLAM with Kinect on a Mobile Robot
编辑推荐：
机器人技术的进步扩展了其在各领域的应用，增加了在陌生环境中可靠建图与导航的需求。同步定位与建图（SLAM）使移动机器人能够在构建环境地图的同时估计自身位置，而RGB-D SLAM结合视觉与深度信息实现三维感知。研究人员在一台差速驱动机器人上，集成Xbox 36
机器人技术的进步扩展了其在各领域的应用，增加了在陌生环境中可靠建图与导航的需求。同步定位与建图（SLAM）使移动机器人能够在构建环境地图的同时估计自身位置，而RGB-D SLAM结合视觉与深度信息实现三维感知。研究人员在一台差速驱动机器人上，集成Xbox 360用Microsoft Kinect与机器人操作系统（ROS），实现并评估了一套RGB-D SLAM系统。通过Gazebo仿真和真实实验，在整洁室内、杂乱室内、动态室内和室外四种条件下对该系统进行了评估。该系统在测试条件下成功生成了二维八叉树地图（2-D octomap）和三维网格（3-D mesh）。定量评估表明，所选的RTAB-Map配置（队列大小为20，里程计最大速率为10）的平均内存更新时间和数据压缩时间分别为56.9秒和10.6秒。Kinect的有效建图范围约为1–3米，1米以下为盲区。结果表明，将低成本RGB-D传感器与基于ROS的SLAM相结合用于实际的二维和三维建图是可行的，同时也凸显了遮挡、动态物体和传感器范围相关的局限性。
近年来，机器人技术的快速发展显著提升了对未知环境进行可靠建图与自主导航的需求。同步定位与建图（SLAM）使移动机器人能够在构建环境地图的同时估计自身位置，而RGB-D SLAM通过融合视觉和深度信息实现三维感知，成为创建高精度地图的有力手段。然而，在低成本、资源受限的移动平台上实际实现RGB-D SLAM仍面临传感器测量范围有限、遮挡以及计算资源不足等挑战。已有研究多基于基准数据集或轨迹精度评估算法，较少针对使用低成本Kinect for Xbox 360在差速驱动机器人上同时生成三维网格与二维占用地图的工程实现开展系统性表征。为此，研究人员在《Applied Sciences》上发表了本研究，旨在实现并评估一套集成感知、计算与运动控制的低成本RGB-D SLAM系统。
研究人员设计了一台定制差速驱动机器人，采用双层亚克力底盘，下层安装电机和电源，上层承载笔记本电脑和传感器杆；Kinect相机安装于前部支撑杆上，高度为560毫米，以获得更佳的俯视视角并减少遮挡。电子系统以Arduino Mega为核心，通过自定义印刷电路板（PCB）集成电机驱动。系统基于Ubuntu 20.04上的ROS Noetic中间件，使用RTAB-Map（实时外观建图）作为核心SLAM算法，同时生成3D网格和2D八叉树地图（octomap）。实验分为仿真和真实场景两个阶段。仿真阶段在Gazebo三维仿真器中构建了UGM实验室“学生房间”（10 m × 15 m）虚拟环境，通过键盘遥控验证ROS通信、算法和可视化链路。真实实验在实验室内外进行，使用手柄遥控机器人，并在整洁室内、杂乱室内、带移动物体室内和室外四种条件下进行；每个场景执行两次完整建图运行，第二次运行用于评估回环检测对地图一致性的改进效果。
研究结果部分如下：
3.1 理想环境下的仿真性能
通过Gazebo仿真验证了系统在受控环境中的基本运行能力。虚拟实验室尺寸为10 m × 15 m，机器人运动过程中成功生成了环境的3D表示。结果显示，完整建图依赖于机器人轨迹，因为RGB-D传感器视野有限，必须通过合适的路径使相关表面暴露在传感器视野内。
3.2 RGB-D SLAM配置与建图性能的定量分析
研究人员通过改变队列大小和里程计最大速率测试了9种RTAB-Map配置。最低平均内存更新时间为53.4秒（队列大小50，最大里程计速率0），最低平均数据压缩时间为10.1秒。选定配置为队列大小20、最大里程计速率10，对应平均内存更新时间为56.9秒，数据压缩时间为10.6秒。点云重建参数测试覆盖最大深度（2、5、10米）和体素大小（0.001、0.01、0.1米），选定最大深度10米和体素大小0.001米以获得更密集的点云。Kinect距离特性测试表明，有效建图范围约为1–3米，低于1米为盲区；在约1.5米处进行重复旋转扫描时，第二次和第三次扫描的点云较为清晰，此后逐渐模糊。
3.3 真实环境下不同条件的建图性能
四种环境下系统均成功生成了2D八叉树地图和3D网格。整洁室内条件下，地图中的主要边界和占用区域清晰，未知区域有限。杂乱室内条件下，第二次运行补全了部分被遮挡区域，表明多视角观察有助于改善地图完整性。动态室内条件下，移动物体在传感器视野内停留较久时会被纳入地图，成为伪影，同时产生额外未知区域。室外条件下，系统重建了主要建筑边界、道路和周围结构，但由于有效测距范围仅约1–3米以及室外结构较稀疏，存在未观测区域。总体而言，建图完整性受遮挡、动态物体和传感器测量范围共同影响。
3.4 与相关研究的比较
与已有研究相比，Acosta-Amaya等使用RTAB-Map和ORB-SLAM2在ROS平台上进行了定性建图评估；Merzlyakov和Macenski在公共基准数据集上报告RTAB-Map的平均绝对轨迹误差均方根误差（ATE RMSE）为0.287米；Caminal等报告为0.125米。由于缺少地面真值轨迹，本研究无法直接比较数值精度，但提供了实际实现中的配置参数、处理时间和传感器特征等量化结果，补充了现有文献中较少报告的内容。
讨论部分指出，建图不完整主要源于传感器遮挡、有效范围之外的结构、动态物体停留以及室外场景中近距结构稀疏。当前实现存在明显局限，未来可采用更高性能的RGB-D传感器、语义分割和传感器融合技术加以改进。结论部分可概括为：本研究在一台差速驱动机器人上使用Microsoft Kinect for Xbox 360和机器人操作系统实现了一套RGB-D SLAM系统。仿真和真实实验表明，该系统能够在整洁室内、杂乱室内、动态室内和室外环境中生成二维八叉树地图和三维网格。定量评估显示，选定RTAB-Map配置（队列大小20，里程计最大速率10）的平均内存更新时间和数据压缩时间分别为56.9秒和10.6秒；Kinect的有效建图范围约为1–3米，1米以下为盲区。结果表明，低成本RGB-D传感结合RTAB-Map能够为移动机器人应用提供可行的环境建图方案，但建图完整性仍受遮挡、动态物体和传感器范围限制。未来工作将聚焦于改进机器人移动能力、评估更高性能传感器，以及整合语义分割或传感器融合技术以提升动态环境下的建图性能。
