融合自監(jiān)督單目圖像深度估計(jì)的視覺里程計(jì)

成立明，陳建新，陳 瑞，陳志敏

南京郵電大學(xué) 通信與信息工程學(xué)院，南京 210003

長(zhǎng)期以來，在計(jì)算機(jī)視覺和機(jī)器人領(lǐng)域中，同時(shí)定位與建圖（SLAM）一直是人們積極研究的對(duì)象[1-2]。它是許多應(yīng)用程序中的關(guān)鍵模塊，例如自主移動(dòng)機(jī)器人和自動(dòng)駕駛。由于相機(jī)成本相對(duì)較低，并且可以傳遞豐富的環(huán)境信息，相機(jī)運(yùn)動(dòng)可以經(jīng)由視覺里程計(jì)可靠地估計(jì)出來。因此視覺SLAM變得非常受研究者歡迎[3-4]。

通常，視覺SLAM 系統(tǒng)包含三個(gè)模塊：一個(gè)用于跟蹤新幀的視覺前端，一個(gè)用于創(chuàng)建和維護(hù)關(guān)鍵幀的地圖的后端以及一個(gè)用于優(yōu)化地圖點(diǎn)的模塊。求解VO 的最重要步驟之一就是在當(dāng)前幀和下一幀之間匹配點(diǎn)特征。VO 有兩種主流的特征匹配方法：特征點(diǎn)法和直接法。特征點(diǎn)法要求特征提取、特征描述、特征匹配，并使離散的可重復(fù)點(diǎn)特征之間的重投影誤差最小。相比之下，直接法可以將光度誤差降至最低，并且直接對(duì)像素強(qiáng)度進(jìn)行操作。雖然基于特征點(diǎn)的方法長(zhǎng)期以來一直都是SLAM 的主流方案，但它也存在明顯的缺陷，例如特征描述符不能在弱紋理和像素梯度小的幀中正確匹配。最近，文獻(xiàn)[5]提出的直接稀疏里程計(jì)在性能方面很出色，即使在沒有明顯拐角特征的環(huán)境中也表現(xiàn)良好。聯(lián)合優(yōu)化相機(jī)位姿和它們之間的對(duì)應(yīng)關(guān)系以及利用任意像素（包括非角像素）都能夠提高算法的魯棒性。

近年來，人們提出了許多比較成熟的基于特征點(diǎn)的單目SLAM 方法，這些方法大多是受經(jīng)典算法PTAM[6]的啟發(fā)，PTAM包含用于跟蹤新圖像幀的前端和基于優(yōu)化方法的后端建圖模塊。在這之后，文獻(xiàn)[7]提出將局部集束調(diào)整（BA）與位姿圖優(yōu)化方法相結(jié)合。ORBSALM[8]是特征點(diǎn)法中較為出色的算法之一，該算法在插入關(guān)鍵幀時(shí)就開始局部BA，一旦檢測(cè)到回環(huán)閉合就進(jìn)行全局位姿圖優(yōu)化，最后執(zhí)行全局BA。與傳統(tǒng)的基于點(diǎn)特征來估計(jì)相機(jī)位姿并重建周圍環(huán)境的方法不同，文獻(xiàn)[9]提出的PL-SLAM是一種雙目視覺SLAM方法，它融合了點(diǎn)和線特征，使其可以在包含弱紋理且特征點(diǎn)稀少的環(huán)境穩(wěn)定地運(yùn)行。

VO 已經(jīng)由多種方法被擴(kuò)展到SLAM 系統(tǒng)。其中不乏融合了慣性傳感器（IMU）[10-13]或采用雙目設(shè)備[10，13]的方案，因此系統(tǒng)在惡劣環(huán)境中的魯棒性得以增強(qiáng)。文獻(xiàn)[12]提出當(dāng)卡爾曼濾波在局部里程計(jì)估計(jì)器中更新時(shí)，可以直接將已有地圖中的2D-3D 匹配包含進(jìn)去。

文獻(xiàn)[10]提出的Okvis是一種基于特征點(diǎn)法的視覺慣性里程計(jì)，該算法在邊緣化滑動(dòng)窗口中維護(hù)特征點(diǎn)的局部地圖。文獻(xiàn)[14]提出了一種新的緊耦合的同時(shí)定位和建圖算法，該方法可以實(shí)現(xiàn)回環(huán)閉合功能，并能夠重用之前構(gòu)建的地圖在已建圖的位置實(shí)現(xiàn)精確的定位。它還提出一種新的IMU 傳感器初始化方法，可以在幾秒鐘內(nèi)以高精度計(jì)算出IMU參數(shù)。之后，文獻(xiàn)[11]提出一種使用類似于Okvis的前端的基于特征點(diǎn)法的單目視慣性里程計(jì)系統(tǒng)VINS-Mono。該算法基于BoW（Bag of Visual Words）和位姿圖優(yōu)化方法來檢測(cè)回環(huán)閉合并優(yōu)化“全局地圖”。通過融合IMU，它可以利用具有非旋轉(zhuǎn)不變特性的BRIEF 描述符。然而，閉環(huán)檢測(cè)會(huì)導(dǎo)致需要計(jì)算額外的特征點(diǎn)和描述符，這必然會(huì)消耗大量的內(nèi)存和時(shí)間。與特征點(diǎn)法SLAM方案不同，LSD-SLAM[15]利用極線搜索和塊匹配方法來獲取圖像的深度值。塊匹配方法基于如下假設(shè)：圖像中小區(qū)域的灰度是恒定的。DSO正是使用此方法來估計(jì)圖像深度，并將滑動(dòng)窗口優(yōu)化策略添加到后端。隨著直接法的發(fā)展，文獻(xiàn)[16]提出了雙目DSO，它可以實(shí)時(shí)地通過雙目相機(jī)以高精度感知大規(guī)模環(huán)境，而且固定基線使它能夠解決尺度漂移問題。此后，文獻(xiàn)[17]提出的LDSO 將閉環(huán)功能和全局地圖優(yōu)化融合到DSO 算法中，并計(jì)算ORB描述符建立BoW模型以用于閉環(huán)檢測(cè)。

然而，無論是基于特征點(diǎn)的方法還是直接法方案，匹配特征都需要恢復(fù)像素的深度，這對(duì)于視覺SLAM來說至關(guān)重要。在單目視覺SLAM 方法中獲取圖像深度的傳統(tǒng)方法可以分為兩種：一種是在移動(dòng)相機(jī)產(chǎn)生足夠的視差后通過三角化測(cè)量像素距離；另一種是直接從RGB-D相機(jī)的深度圖獲取圖像深度。三角化通常很費(fèi)力，需要昂貴的計(jì)算成本，并且它只能獲取到微弱的深度值，而RGB-D相機(jī)在應(yīng)用范圍和光照方面受到限制，因此，RGB-D通常用于密集重建，單目三角化則一般用于室外或大型場(chǎng)景。

尺度不確定會(huì)帶來兩個(gè)問題：在鄰近幀中沿極線可能存在錯(cuò)誤的特征關(guān)聯(lián)；大量的深度測(cè)量都收斂到同一個(gè)深度值。這些因素均會(huì)嚴(yán)重影響算法的定位精度。

本文的貢獻(xiàn)主要有以下幾個(gè)方面：

（1）提出了一種新穎關(guān)鍵的初始化算法，將基于深度學(xué)習(xí)的自監(jiān)督單目圖像深度估計(jì)算法[18]與DSO 算法相結(jié)合，解決單目DSO算法的尺度不確定性，從而提高系統(tǒng)的定位精度。

（2）提出運(yùn)用PCG 算法加速系統(tǒng)后端比較耗時(shí)的舒爾補(bǔ)方程求解模塊，從而進(jìn)一步節(jié)省系統(tǒng)的時(shí)間成本。

（3）本文對(duì)所提出的算法在自動(dòng)駕駛公開數(shù)據(jù)集上進(jìn)行了大量的實(shí)驗(yàn)測(cè)試，以驗(yàn)證系統(tǒng)的定位精度和后端優(yōu)化性能，同時(shí)提供了詳細(xì)的實(shí)驗(yàn)數(shù)據(jù)和結(jié)果分析。

1 系統(tǒng)和方法

1.1 DSO算法概覽

由于本文的工作是對(duì)DSO 算法的改進(jìn)，尤其在前端部分，所以這里大致簡(jiǎn)單介紹下DSO算法的框架，如圖1。DSO 是基于關(guān)鍵幀的后端采用滑動(dòng)窗口優(yōu)化的SLAM 方案，它聯(lián)合優(yōu)化所有的模型參數(shù)，不需要特征檢測(cè)和特征描述。在滑動(dòng)窗口中，光度誤差能量函數(shù)可以定義為：

圖1 系統(tǒng)框圖Fig.1 Frame of system

在公式（1）中，是Pk的相鄰模式，a，b是光度仿射變換參數(shù)，t是圖像曝光時(shí)間，I指的是一幅圖像，wp是權(quán)重因子。P1為點(diǎn)P在圖像Ij上的重投影像素位置，可以由公式（2）計(jì)算得到。

公式（2）中，Π是重投影函數(shù)，R是兩幀之間的旋轉(zhuǎn)矩陣，t是平移向量，這兩個(gè)參數(shù)都可以由Ti和Tj（第i和第j幀的相機(jī)姿態(tài)）計(jì)算得到，為點(diǎn)Pk的逆深度。

當(dāng)有一幅新的圖像輸入時(shí)，它的位姿經(jīng)由DSO 算法的直接配準(zhǔn)得到。如有必要，這一幀會(huì)被考慮進(jìn)局部BA。追蹤到的幀被用于進(jìn)一步優(yōu)化或者在DSO的深度地圖估計(jì)模塊充當(dāng)當(dāng)前幀的候選者。當(dāng)新的幀被選作關(guān)鍵幀時(shí)，它的深度地圖會(huì)通過將上一幀中追蹤到的點(diǎn)投影到當(dāng)前幀來初始化，然后進(jìn)入空間正則化和野點(diǎn)剔除流程。因此，平均逆深度將被徑向合并到幀的姿態(tài)中。最后，將最后一個(gè)關(guān)鍵幀替換為當(dāng)前幀，該關(guān)鍵幀用于跟蹤新的后續(xù)幀。

1.2 新穎的初始化方案

1.2.1 圖像增強(qiáng)預(yù)處理

在真實(shí)場(chǎng)景中，由相機(jī)等圖像采集設(shè)備采集到的圖像信息通常存在光照不均和圖像退化的問題。直接法有強(qiáng)烈的灰度不變假設(shè)，因此圖像灰度信息的準(zhǔn)確性直接影響算法的精度和穩(wěn)定。DSO 通過光度標(biāo)定減小光照不均帶來的影響，但是，光度標(biāo)定需要在真實(shí)環(huán)境中獲取不同時(shí)刻下同一場(chǎng)景的大量圖像，并且這種方法有很大的局限性，即有且僅在當(dāng)前場(chǎng)景有效，當(dāng)應(yīng)用于與當(dāng)前場(chǎng)景不同的環(huán)境中，光度標(biāo)定的結(jié)果必然會(huì)受到質(zhì)疑，所以不具備普遍性。本文提出基于限制對(duì)比度的自適應(yīng)直方圖均衡化（Contrast Limited Adaptive Histgram Equalization，CLAHE）對(duì)圖像進(jìn)行增強(qiáng)處理，解決圖像中存在的區(qū)域亮或區(qū)域暗的光照不均問題以及圖像退化問題。

CLAHE 是一種限制對(duì)比度過度提高的自適應(yīng)直方圖均衡算法，相比于普通的自適應(yīng)直方圖均衡，該算法對(duì)每個(gè)子塊進(jìn)行直方圖均衡的同時(shí)使用對(duì)比度限幅，由于對(duì)比度放大的程度與像素點(diǎn)的概率分布直方圖的曲線斜度成比例，所以為了限制對(duì)比度，將大于一定閾值的部分平均分配到直方圖的其他地方，可以有效地限制噪聲放大。本文中CLAHE 圖像增強(qiáng)效果如圖2所示。

圖2 圖像增強(qiáng)預(yù)處理Fig.2 Preprocess by image enhancement

1.2.2 初始化方法

與現(xiàn)有的單目直接法相比，即使在弱紋理環(huán)境中（如白墻），DSO仍然具有高魯棒性的優(yōu)點(diǎn)。然而，DSO不可避免地存在尺度不變問題，這在傳統(tǒng)的單目SLAM方法中是固有的缺點(diǎn)。針對(duì)這一至關(guān)重要的問題，本文改進(jìn)了DSO 的初始化部分，融合了基于深度學(xué)習(xí)的自監(jiān)督單幅圖像深度估計(jì)模型，系統(tǒng)框架如圖1所示。該模型結(jié)合了三種結(jié)構(gòu)和損失函數(shù)創(chuàng)新，從而在用單目和雙目視頻進(jìn)行訓(xùn)練時(shí)，極大地改善了單目深度估計(jì)。

（1）一種新的外觀匹配損失，解決了使用單目監(jiān)督時(shí)出現(xiàn)的像素遮擋；（2）一種新的簡(jiǎn)單的自動(dòng)遮罩方法，可以忽略在單目訓(xùn)練過程中沒有觀察到相對(duì)相機(jī)運(yùn)動(dòng)的像素；（3）多尺度外觀匹配損失以輸入分辨率對(duì)所有圖像進(jìn)行采樣，這可以減少深度偽影的產(chǎn)生。

圖3顯示了初始化過程的細(xì)節(jié)，初始化操作可以大致分為兩個(gè)階段。第一階段是第一幀的處理，第二階段是后續(xù)幀的跟蹤。當(dāng)新圖像到達(dá)時(shí)，通過對(duì)原始圖像進(jìn)行下采樣來構(gòu)建圖像金字塔，并計(jì)算金字塔圖像每一層的像素值和梯度。然后，在點(diǎn)選擇部分中，首先將圖像劃分為32×32塊，然后將每個(gè)塊的平均梯度用作選擇點(diǎn)的閾值。選擇點(diǎn)時(shí)，第一個(gè)選擇是將圖像劃分為d×d(d=3)個(gè)塊，然后選擇梯度最大且超過閾值的點(diǎn)。如果在第一次選擇之后選擇的點(diǎn)數(shù)不足，則將圖像劃分為2d×2d塊，降低閾值，并重復(fù)先前的操作，直至提取的像素點(diǎn)個(gè)數(shù)滿足要求。

圖3 初始化流程Fig.3 Flow of initialization

在點(diǎn)初始化部分，為了在地圖點(diǎn)初始化部分提供深度預(yù)測(cè)，本文采用了文獻(xiàn)[19]的編碼-解碼器體系結(jié)構(gòu)Resnet50 的變體。并且將它在KITTI 數(shù)據(jù)集視頻序列00～10 進(jìn)行了訓(xùn)練。本文使用深度學(xué)習(xí)網(wǎng)絡(luò)預(yù)測(cè)單幅圖像的深度值，并將其作為地圖點(diǎn)場(chǎng)景幾何的先驗(yàn)信息，當(dāng)新幀到達(dá)時(shí)進(jìn)行初始化進(jìn)程，從而使系統(tǒng)能夠獲得更為準(zhǔn)確的平均深度估計(jì)值，并使其收斂到真實(shí)的地圖點(diǎn)深度。單幅圖像深度估計(jì)效果如圖4 所示。在后續(xù)幀的跟蹤階段，從金字塔圖像的頂層向底層優(yōu)化姿態(tài)、光度參數(shù)和逆深度。迭代求解后，逆深度被向上傳播并作為下一次優(yōu)化的初始值。在連續(xù)跟蹤五幀后，將第一幀作為關(guān)鍵幀，然后將其插入能量方程。

圖4 深度圖像估計(jì)Fig.4 Depth estimation of image

1.3 PCG求解舒爾補(bǔ)方程

在基于優(yōu)化的SLAM方法后端，舒爾補(bǔ)方程求解的復(fù)雜度很高，使用LM（Levenburg-Marquardt）算法迭代的滑動(dòng)窗口優(yōu)化方程如公式（4）所示：

在公式（4）和（5）中，H是Hessian 矩陣，X是優(yōu)化變量，J是雅可比，r是殘差。將上述公式以矩陣的方式表達(dá)如公式（6）所示：

在公式（6）中Xp指當(dāng)前窗口中關(guān)鍵幀的位姿，Xd是由逆深度參數(shù)化的點(diǎn)，Xpp是位姿之間的約束，Hdd是路標(biāo)點(diǎn)之間的約束。對(duì)公式（6）應(yīng)用舒爾補(bǔ)操作得到舒爾補(bǔ)方程：

其中，Hdd是對(duì)角化矩陣，可以利用它右下角的稀疏性執(zhí)行稀疏BA。本文采用了PCG算法[20]加速求解過程。

2 性能分析

本文將所設(shè)計(jì)的算法與ORB-SLAM2[21]、DSO 以及LDSO在KITTI數(shù)據(jù)集的視頻序列00～10上進(jìn)行測(cè)試對(duì)比，測(cè)試設(shè)置均為單目。ORB-SLAM2是一個(gè)基于稀疏特征的SLAM 系統(tǒng)，它包括視覺里程計(jì)和回環(huán)檢測(cè)。DSO是一種直接稀疏視覺里程計(jì)，并不是完整的系統(tǒng)。LDSO是添加了回環(huán)閉合功能的直接稀疏里程計(jì)。

2.1 KITTI數(shù)據(jù)集

KITTI 數(shù)據(jù)集[22]包含22 個(gè)校準(zhǔn)的、同步的、帶有時(shí)間戳的灰度序列，包括由大眾帕薩特旅行車記錄的6小時(shí)視頻（配有四個(gè)攝像頭，一個(gè)旋轉(zhuǎn)的3D激光雷達(dá)和一個(gè)組合的GPS/IMU慣性導(dǎo)航系統(tǒng)），均為在現(xiàn)實(shí)世界中的交通情況下，捕獲到的各種場(chǎng)景。由于數(shù)據(jù)集還提供了真值軌跡，可以利用ATE（Absolute Trajectory Error）評(píng)估算法的追蹤定位精度，因此它在機(jī)器人技術(shù)和計(jì)算機(jī)視覺的許多領(lǐng)域都備受青睞。

2.2 TUM-Mono數(shù)據(jù)集

TUM-Mono 數(shù)據(jù)集[23]是包含50 個(gè)室內(nèi)和室外序列的單目數(shù)據(jù)集。它提供相機(jī)光度校準(zhǔn)，但沒有完整的地面真實(shí)相機(jī)軌跡。該數(shù)據(jù)集包含具有不同場(chǎng)景復(fù)雜度的序列，非常適合估算系統(tǒng)的時(shí)間成本。因此，本文利用該數(shù)據(jù)集來評(píng)估用于舒爾補(bǔ)方程求解的加速算法。

2.3 測(cè)試環(huán)境

為了盡可能全面地對(duì)給定的可用數(shù)據(jù)進(jìn)行評(píng)估，對(duì)于每種方法，本文在每個(gè)視頻序列上均進(jìn)行5次正向運(yùn)行和5次逆向運(yùn)行，以考慮非確定性因素。該算法的測(cè)試平臺(tái)為：配備Ubuntu 18.04，Intel Xeon?CPU，E5-2620 v3、24 核，2.40 GHz，QuadroK2200/PCle/SSE2 GPU 和48G RAM的聯(lián)想工作站。

2.4 后端時(shí)間成本評(píng)估

為了更加公正地對(duì)后端耗時(shí)進(jìn)行實(shí)驗(yàn)評(píng)估，本文在TUM-Mono數(shù)據(jù)集上對(duì)DSO和僅使用PCG優(yōu)化的系統(tǒng)P-DSO 進(jìn)行后端求解所需時(shí)間成本比較。表1 顯示了改進(jìn)的算法在視頻序列11、24 和27 上對(duì)每一幀的平均加速效果，其中場(chǎng)景復(fù)雜度依次遞增。為了將非決定性因素考慮在內(nèi)，本文取10 次測(cè)試結(jié)果的平均值作為最終值，實(shí)驗(yàn)結(jié)果表明本文采用的策略能提升計(jì)算效率9%～25%。

表1 后端求解耗時(shí)對(duì)比Table 1 Comparison of back-end solution time

2.5 全局漂移對(duì)比

由于單目相機(jī)存在尺度不確定性，隨著時(shí)間的推移，評(píng)估得到的軌跡會(huì)累積嚴(yán)重的漂移。為了對(duì)比DSO和本文改進(jìn)的算法，本文采用三維點(diǎn)云地圖可視化最終累積的漂移。圖5 表明本文改進(jìn)的方法顯著減小了最終累積的漂移，圖（a）是DSO算法評(píng)估得到的軌跡和點(diǎn)云地圖，圖（b）是本文改進(jìn)的算法評(píng)估得到的軌跡和點(diǎn)云地圖，圖（c）是分別從序列07的開始和結(jié)束位置采樣的圖片。視頻序列07 是一個(gè)具有回環(huán)的場(chǎng)景，算法對(duì)它評(píng)估得到的軌跡應(yīng)該出現(xiàn)回環(huán)閉合。圖6 顯示了本文改進(jìn)的算法對(duì)KITTI 數(shù)據(jù)集視頻序列00 中環(huán)境重建得到的三維點(diǎn)云地圖。

圖5 點(diǎn)云地圖中的漂移對(duì)比Fig.5 Drift comparison in point cloud map

圖6 本文算法重建的點(diǎn)云Fig.6 Point cloud reconstructed by proposed algorithm

2.6 定位精度評(píng)估

本文采用ATE（絕對(duì)軌跡誤差）評(píng)估對(duì)比算法的性能。ATE 通過將算法測(cè)試得到的軌跡結(jié)果和數(shù)據(jù)集提供的真值軌跡進(jìn)行Sim（3）配準(zhǔn)計(jì)算得出。此外，定義n表示由于在運(yùn)行過程中追蹤失敗而導(dǎo)致不能成功運(yùn)行完整個(gè)序列的情況。本文中算法在每個(gè)序列上最終的絕對(duì)軌跡誤差取10 次實(shí)驗(yàn)評(píng)估結(jié)果的平均值，其詳細(xì)對(duì)比結(jié)果如表2所示。實(shí)驗(yàn)數(shù)據(jù)表明，本文改進(jìn)的算法在KITTI 數(shù)據(jù)集提供的所有視頻序列上都可以跟蹤成功，而ORB-SLAM2 在序列03 上由于在整個(gè)過程中不能匹配到點(diǎn)特征進(jìn)行初始化，導(dǎo)致算法跟蹤失敗。DSO在序列01～03上早期都追蹤失敗，LDSO在序列01上追蹤失敗，原因是數(shù)據(jù)集沒有提供光度校準(zhǔn)，算法無法處理這些視頻序列中存在的嚴(yán)重光度變化。

表2 絕對(duì)軌跡誤差RMSETable 2 Absolute trajectory error RMSE m

評(píng)估得到的關(guān)鍵幀的軌跡結(jié)果可視化對(duì)比如圖7所示。其中，序列00 和07 是包含回環(huán)場(chǎng)景的視頻序列，序列02 和09 是不包含回環(huán)場(chǎng)景的視頻序列。通過對(duì)單幅圖像進(jìn)行更為精準(zhǔn)的深度估計(jì)，單目DSO 算法的深度不確定問題可以得到有效解決。本文提出的方法顯著提高了DSO 的性能，在序列01～04、06、08～10 上定位精度均高于ORB-SLAM2、DSO 和LDSO。在序列00 上LDSO 定位精度最佳，在序列05 和07 上ORBSLAM2 定位精度最高。其主要原因是這三個(gè)視頻序列中都包含回環(huán)場(chǎng)景，適合用具備回環(huán)檢測(cè)功能的算法，例如ORB-SLAM2 和LDSO。ORB-SLAM2 在回環(huán)檢測(cè)部分有全局BA，LDSO 在回環(huán)檢測(cè)線程中用圖優(yōu)化方法檢測(cè)閉環(huán)。值得注意的是，在關(guān)閉ORB-SLAM2和LDSO 的閉環(huán)檢測(cè)功能后，本文算法在所有序列上的定位精度都是最高。

圖7 部分序列軌跡對(duì)比Fig.7 Trajectory comparison of some sequences

3 結(jié)束語

本文將一種基于深度學(xué)習(xí)的單幅圖像深度估計(jì)模塊Monodeth2 與DSO 前端融合，通過獲取更加精確的深度值以初始化地圖點(diǎn)，顯著降低了單幅圖像的深度不確定性，從而提高了算法的定位精度。本文在公開的KITTI 數(shù)據(jù)集上將改進(jìn)的算法與ORB-SLAM2、DSO和LDSO進(jìn)行了比較，系統(tǒng)在建圖和估計(jì)相機(jī)位姿的過程中表現(xiàn)的更可靠。然而，算法仍有一些方面有待改進(jìn)，例如如何減少昂貴的計(jì)算成本以及如何減小全局漂移。本文計(jì)劃在下一步工作中將回環(huán)檢測(cè)和關(guān)閉功能添加到算法內(nèi)，以使系統(tǒng)能夠減小隨著時(shí)間累積產(chǎn)生的全局漂移。