CLAP: Clustering to Localize Across n Possibilities, A Simple, Robust Geometric Approach in the Presence of Symmetries

📄 arXiv: 2509.08495v1 📥 PDF

作者: Gabriel I. Fernandez, Ruochen Hou, Alex Xu, Colin Togashi, Dennis W. Hong

分类: cs.RO

发布日期: 2025-09-10

💡 一句话要点

CLAP：一种基于聚类的鲁棒几何定位方法，解决对称环境下的定位问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 机器人定位 聚类算法 鲁棒定位 立体视觉 惯性导航

📋 核心要点

  1. 现有定位方法在光照变化、特征遮挡和噪声干扰下鲁棒性不足，难以满足复杂环境下的机器人定位需求。
  2. CLAP通过对基于特征对的状态估计进行聚类，区分正确和错误估计，从而实现鲁棒定位。
  3. 实验表明，CLAP在精度上与其他方法相当，但在高误报率下表现出更强的鲁棒性，减少了发散和速度跳跃。

📝 摘要（中文）

本文提出了一种名为CLAP（Clustering to Localize Across $n$ Possibilities）的定位方法，该方法助力我们在RoboCup 2024成人尺寸人形机器人足球比赛中获胜。比赛规则限制我们只能使用立体视觉和惯性传感器，类似于人类。此外，我们的机器人必须应对不同的光照条件、动态特征遮挡、高冲击步进产生的噪声以及来自旁观者和相邻场地的错误特征。因此，我们需要一种准确且最重要的是鲁棒的定位算法，作为路径规划和博弈策略算法的基础。CLAP通过对来自场地特征对的机器人状态估计进行聚类，从而定位其全局位置和方向，满足了这些要求。正确的状态估计自然地聚集在一起，而错误的估计则分散开来，这使得CLAP能够抵抗噪声和错误的输入。CLAP与粒子滤波器和扩展卡尔曼滤波器相结合，以提高一致性和平滑性。与其他基于地标的定位方法的测试表明，CLAP具有相似的精度。然而，增加误报特征检测的测试表明，CLAP在鲁棒性方面优于其他方法，发散和速度跳跃非常小。我们的定位在比赛中表现良好，使我们的机器人能够射门远距离目标并严密防守我们的目标。

🔬 方法详解

问题定义：论文旨在解决在具有对称性的复杂环境中，机器人如何利用有限的传感器（立体视觉和惯性传感器）进行鲁棒和准确的全局定位问题。现有方法在面对光照变化、动态遮挡、噪声干扰以及误报特征时，容易出现定位误差累积甚至发散，无法保证机器人运动规划和策略执行的可靠性。

核心思路：CLAP的核心思路是利用聚类来区分正确的和错误的状态估计。基于多个特征对，机器人可以计算出多个可能的自身状态估计。正确的状态估计应该在真实状态附近聚集，而错误的估计则会分散开来。通过聚类算法，可以将聚集的状态估计识别为正确的定位结果，从而过滤掉噪声和错误特征的影响。这种方法利用了冗余信息，提高了定位的鲁棒性。

技术框架：CLAP的整体框架包括以下几个主要阶段：1) 特征提取：从立体视觉图像中提取场地特征（例如球门柱、角旗等）。2) 状态估计：基于特征对，计算机器人可能的全局位置和方向。每个特征对会产生多个可能的解，因为存在对称性。3) 聚类：对所有状态估计进行聚类，找到密度最高的簇。该簇的中心被认为是机器人的最佳状态估计。4) 滤波：将聚类结果输入到粒子滤波器和扩展卡尔曼滤波器中，以进一步提高定位的一致性和平滑性。

关键创新：CLAP的关键创新在于利用聚类来提高定位的鲁棒性。与传统的基于地标的定位方法不同，CLAP不依赖于单个地标的精确测量，而是利用多个地标的冗余信息，通过聚类来过滤掉错误的测量。这种方法对噪声和误报特征具有很强的抵抗能力。此外，CLAP的设计考虑了对称性，能够处理由于对称性而产生的多个可能的解。

关键设计：CLAP的关键设计包括：1) 状态估计方法：论文采用了一种几何方法，基于特征对计算机器人可能的全局位置和方向。这种方法考虑了立体视觉的几何约束。2) 聚类算法：论文使用了一种基于密度的聚类算法，例如DBSCAN，来找到密度最高的簇。聚类算法的参数（例如邻域半径和最小点数）需要根据具体应用进行调整。3) 滤波器的选择和参数设置：论文使用了粒子滤波器和扩展卡尔曼滤波器来提高定位的一致性和平滑性。滤波器的参数（例如噪声协方差矩阵）需要根据传感器的特性进行调整。

📊 实验亮点

实验结果表明，CLAP在精度上与其他基于地标的定位方法相当。然而，在高误报特征检测的情况下，CLAP表现出更强的鲁棒性，显著减少了定位发散和速度跳跃。这表明CLAP能够有效地过滤掉错误的测量，从而保证了定位的可靠性。在RoboCup 2024比赛中，CLAP帮助机器人实现了远距离射门和有效的防守，验证了其在实际应用中的有效性。

🎯 应用场景

CLAP算法具有广泛的应用前景，尤其适用于需要在复杂、动态和噪声环境中进行定位的机器人系统。例如，它可以应用于服务机器人、仓储机器人、自动驾驶汽车等领域。该算法的鲁棒性使其能够在光照变化、遮挡和噪声干扰下保持较高的定位精度，从而提高机器人的自主性和可靠性。未来，CLAP可以与其他传感器融合，进一步提高定位的精度和鲁棒性。

📄 摘要（原文）

In this paper, we present our localization method called CLAP, Clustering to Localize Across $n$ Possibilities, which helped us win the RoboCup 2024 adult-sized autonomous humanoid soccer competition. Competition rules limited our sensor suite to stereo vision and an inertial sensor, similar to humans. In addition, our robot had to deal with varying lighting conditions, dynamic feature occlusions, noise from high-impact stepping, and mistaken features from bystanders and neighboring fields. Therefore, we needed an accurate, and most importantly robust localization algorithm that would be the foundation for our path-planning and game-strategy algorithms. CLAP achieves these requirements by clustering estimated states of our robot from pairs of field features to localize its global position and orientation. Correct state estimates naturally cluster together, while incorrect estimates spread apart, making CLAP resilient to noise and incorrect inputs. CLAP is paired with a particle filter and an extended Kalman filter to improve consistency and smoothness. Tests of CLAP with other landmark-based localization methods showed similar accuracy. However, tests with increased false positive feature detection showed that CLAP outperformed other methods in terms of robustness with very little divergence and velocity jumps. Our localization performed well in competition, allowing our robot to shoot faraway goals and narrowly defend our goal.