# 基于激光的人体跟踪 Ajo Fod Andrew Howard 玛雅·J·马塔里奇（Maja J Matarić） 计算机科学系 美国南加州大学 洛杉矶，CA 90089-0781，美国 ,{ahoward|mataric}@cs.usc.edu ## 摘要 本文描述了一种在日常环境中实时跟踪人员的方法，该方法使用多个平面激光测距仪。在机器视觉领域，人员跟踪是一个经过广泛研究的问题；在本文中，我们调整了一些这些方法以用于激光测距仪。我们将测距数据分组到诸如块和对象的实体中，并使用卡尔曼滤波器来估计这些对象的轨迹。该滤波器能够生成平滑的轨迹，即使在对象被遮挡时也是如此。本文对跟踪器的性能进行了一系列四项实验的评估。 关键词：人员跟踪、激光传感器、卡尔曼滤波器、遮挡。 ### I. 引言 跟踪人员，用于监视、人群控制、活动识别和表征等，是机器视觉领域的一个经过广泛研究的问题（例如，[^19]）。在本文中，我们提出了一种使用替代传感器：平面激光测距仪来跟踪人员的方法。激光测距仪在机器人领域迅速获得普及，并在避障、定位[^9]、[^26]和地图构建[^25]、[^11]等应用中使用。在本文中，我们证明了激光也可以有效地用于跟踪人员。 作为传感器，与视觉相比，激光具有优点和缺点。 激光可以可靠地生成精确度可达几毫米的距离测量值，范围可达数米，但具有有限的角分辨率（约为$0.25^{\circ}$）。 它们易于校准，并且不受照明条件和其他外部干扰的影响，但无法提供有关环境中物体的颜色等信息。 激光具有非常宽的视场（这意味着需要相对较少的激光器即可覆盖工作空间），但它们比相机更昂贵。 早期关于使用扫描激光测距仪在拥挤环境中进行运动跟踪的研究是由Prassler等人进行的[^18]，他们使用占用网格和占用图的线性外推来估计轨迹。相比之下，我们的方法涉及使用多个激光器和轨迹估计算法。我们研究了在由多个激光器覆盖的工作空间中跟踪多个移动物体的难题。我们借鉴了基于视觉的方法，通过递归地从激光扫描的后续结果中估计运动。我们使用了一种用于刚体的约束公式[^22]，[^23]，并使用一种抽象对象表示方法进行跟踪。我们为每个对象关联一个卡尔曼滤波器（KF），以减轻遮挡的影响，并减少遮挡和模型不准确的影响。 在本文中，我们提出了四个评估实验，以衡量跟踪器的性能。三个实验用于测量跟踪器估计工作空间中物体位置的准确性，第四个用于测量估计工作空间中物体数量的准确性。第一个实验比较了大型物体的位置估计的散布情况，与已知直径的信标进行比较。第二个实验表明，跟踪器是稳定的，并且不会随着时间的推移产生错误。第三个实验测量了卡尔曼滤波器在估计物体位置时的残差。第四个实验表明，跟踪器可以准确地估计正在跟踪的物体数量。 ### II. 方法 ### A. 概述 激光器将距离最近障碍物的范围测量值以极坐标形式返回。我们由此构建了一个模型，该模型描述了生成范围读数的进程。该模型由两部分组成：背景模型和前景模型。背景模型用于过滤与跟踪不直接相关的信息。前景模型用于预测无法由背景模型解释的范围测量值。 ### B. 背景模型 大多数视觉应用中使用的背景模型利用像素级别的统计信息 [^15]，[^19]。每个新的像素值被分类为背景或移动物体。我们将此技术调整为激光扫描仪使用。由于激光测距仪可以测量到物体的距离，因此我们可以使用一种修改后的规则来对前景和背景进行分类。我们假设最远的已知静止物体是背景的一部分。为了对小误差具有鲁棒性，我们还维护将分类为背景的测量的均值和方差，并使用这些信息来测试任何读数是否属于背景。 --- ### C. 前景模型 跟踪过程分为两个子任务：1）跟踪“blob”（图像中的连通区域）和 2）将表面组合成物体。一个 BlobTracker 跟踪 blob，一个 ObjectTracker 估计工作空间中 blob 集合（称为物体）的路径。 ### C.1 Blob 我们定义一个 Blob 为来自激光器的相邻的前景读数的组合，这些读数似乎位于一个连续的表面上。构成此连续表面的测量值的集合构成了 blob 的特征。由于激光器对垂直于激光扫描平面的运动分量不敏感，因此我们不尝试对该方向上的运动或变化进行建模，即我们仅考虑平面运动。在大多数情况下，人类在与地面平行的平面上，且距离约为激光器平面，可以连续地被观察到。因此，我们选择此平面进行激光跟踪。在我们的实验中，我们假设在空间上间隔小于 10 厘米的测量值属于同一个 blob。 Foreground模型在任何给定时刻都包含两代blob：gen-x - 旧的blob和gen-y - 新的blob。为了减少在状态重估计中匹配blob的搜索空间，我们为每个blob绘制一个矩形边界框。假设平均加速度的上限为$10m/s^2$（约为1g），扫描频率为5Hz，我们估计预测状态的最大误差约为50毫米。如果预测gen-x blob和gen-y blob的位置之间的距离小于50毫米，则认为这两个点之间存在匹配关系。我们尝试将gen-y中的每个点与两个匹配的gen-x点配对，以便使距离达到最小值。我们使用这两个点通过线性逼近表面，采用[^1]中建议的Chamfer方法。 新发现的gen-y blob继承其状态向量，该向量是来自匹配的gen-x blob的预测状态向量的线性组合。在确定gen-y blob的状态时，每个gen-x blob的权重由blob之间的匹配点数决定。没有父blob的blob以状态向量0初始化。gen-x blob被移除，当前的gen-y blob成为下一次扫描的gen-x blob。 存在许多方法可以确定对象的结构，而与运动无关[^16]，结构与运动[^13]，[^17]，以及已知结构的运动[^24]，[^6]，[^7]。Koller [^14]描述了一种使用对象模板跟踪对象的方法。我们使用刚体模型，该模型使用来自上一次扫描的特征以及来自早期扫描估计的运动状态来预测来自下一次扫描的测量值。匹配的blob的特征用于更新其旋转和直线速度。 我们修改了[^22]，[^23]中描述的子空间滤波方法，用于blob状态估计。Soatto的方法需要特征之间的“一一对应”关系。在激光测量中，很难找到这种对应关系。在激光传感器空间中，我们的优势在于能够准确确定测距读数，因此我们尝试拟合深度图。我们将对象的表面近似为连接blob特征预测的线的序列。每个新测量值都与新的扫描中最接近的两个相邻预测值配对。我们使用连接预测的线与最近点之间的距离作为预测误差的度量。将此误差加总到新表面上的所有点，以获得预测性能的度量。 ### C.2 对象 在我们的方法中，对象映射到多个blob。例如，手和躯干可能形成不同的blob。ObjectTraker将这些blob统一为一个对象的感知。Intille等人，[^21]描述了用于视觉解释blob跟踪器所描述场景的启发式方法。虽然我们的算法基于这些原理中的一些，但由于测距的准确性，我们不需要区分占据相同空间但blob的区分，因为我们很容易识别它们。 每个“blob”从上一代中的父对象继承其“ObjectTracker”（对象跟踪器）。当两个“blob”成为一个“blob”的父对象时，最接近的“ObjectTracker”与新的“blob”相关联。在规定的半径内自发出现的“blob”与它相关联。当没有已知的“ObjectTracker”足够靠近一个新的“blob”时，会为该“blob”创建一个新的“ObjectTracker”。一旦实例化，“ObjectTracker”可以持续存在，直到支持的“blob”不可见超过 5 秒——这是一个经验确定的阈值。 当物体移动到激光束的平面之外时，“ObjectTracker”将没有“blob”可以支持它。它将继续扫描可以以最少的错误描述的物体。在遮挡期间，状态更新的执行方式如 [^8] 和 [^19] 中所述。当物体再次出现时，“ObjectTracker”将再次激活，就好像物体从未消失一样。 我们实现的跟踪器旨在实时工作。运动的刚体分量可以在大约五个连续的激光扫描后确定。当处理延迟超过某个阈值时，我们会跳过帧以加快处理速度。通过这些修改，我们可以同时跟踪多达 20 个物体，使用 6 个激光扫描仪，而不会对性能产生显着下降。 ### III. 实验程序 我们的实验基于真实的激光扫描序列。在本节中，我们报告了在实验室获得的实验数据中观察到的结果。我们 --- 使用 Player [^10]，这是一种服务器和协议，用于连接机器人、传感器和控制程序，通过网络进行通信，以与我们的激光测距仪进行通信。 $^{1}$ 我们使用标准 SICK 平面扫描激光测距仪，放置在离地面 0.75 – 0.80 米的高度，瞄准的是一个平均身高的人的腰部。这是移动最少的横截面。此外，人们很少超出这个平面。例如，一个坐着的人仍然可见，尽管是在肩部高度。 我们进行了四组实验来衡量跟踪器的性能。进行三次实验以测量跟踪器估计工作空间中物体位置的准确性，第四次实验以测量估计工作空间中物体数量的准确性。 ### A. 设备和方法 我们在每组实验中都进行了两次测量。第一个测量结果——地面真实值——是使用相机记录的，并通过人工操作员进行后期分析。第二个结果是跟踪器的输出。这些实验是在一个房间内进行的，以便更容易测量地面真实值。 ### B. 实验 1：定位精度 我们进行了以下两个测试，以确定跟踪器估计物体位置的准确性。第一组使用了位置可以在激光扫描中准确确定的静态信标。这是为了测量跟踪器在没有因人类的形状、大小和运动等因素引起的噪声时，的性能。第二组是使用真人受试者进行的。目标是测量在存在这种噪声时的跟踪器性能。 我们对每个样本点都获得了两次位置测量值：一个是在激光参考系中测量的，另一个是在视觉参考系中测量的（以下简称参考系，并将其缩写为“frame”）。图 1 显示了实验中使用的房间。为了在视觉参考系中获得测量值，我们在 2' x 2' 地砖的角上放置了定位器。对定位器的位置进行了第二次测量，结果是在激光参考系中。 我们确定了从激光参考系到视觉参考系的转换 T，该转换可以使两个参考系中对应点的均方距离最小化。此转换随后用于将任何物体在激光参考系中的位置映射到视觉参考系中的相应位置。定位器的位置如图 2 所示。误差或位置不确定性 ![Image](images/07fa3e50ccd41da90a2666c40d4e301db711d9ce9fbd73a808966544003e00b4.jpg)
Fig. 1. Experiment 1: DUMMY FIG. An image of the room used in the experiments.
![Image](images/fd0c427d72425829fa7a018c37ef80a5d069e2673f0e7a2c9518ab6c3b2c84e2.jpg)
Fig. 2. Experiment 1: The positions of the beacons in the room. The diamonds show the location of the beacon in the laser frame and the circles in the visual frame. Correspondences are connected with a line. The two lasers are marked with a "*" and the arrow shows their direction of scan.
可以绘制为从视觉参考系中测得的位置到转换后的激光参考系中测得的位置的二维位移。在理想的零误差情况下，这些向量都位于原点。误差图如图 3 所示。 我们对站在地砖角上的人的第二个测量组进行了测量。对于此组，受试者在每个位置之间移动，并在每个位置等待约一秒钟。我们使用根据定位器确定的转换 T 来确定激光用于人类运动数据的测定位置的误差。图 4 显示了此测量组的散点图，该图显示误差约为人体躯干的横截面大小：约 0.3 米。 --- ![Image](images/38f28a63d3ab67cf20cb581939e902584d7909b7e5e57a3de3632056b106fc9f.jpg)
Fig. 3. Experiment 1: Each point represents the displacement required to map the measurement of the beacon in the laser frame to the visual frame. This shows the error vector for position estimates made by the tracker.
![Image](images/7f1ac38b07fe01e82769ce726694cb6b3626d7329267d6cb9aef7359a032694d.jpg)
Fig. 4. Experiment 1: The plot shown in Figure 3 is repeated with people in this figure to show the change in the scatter distribution. Notice that it is now approximately the size of the cross-section of a human torso.
### C. 实验 2：跟踪中的漂移 我们进行以下实验以确定位置测量值是否会出现任何累积误差。我们沿着实验 1 中的第二个测试的思路，在同一工作空间中进行了一组测量，持续时间为 20 分钟。从每 5 分钟的间隔开始记录至少 40 个激光和视觉参考系之间的对应关系。图 5 显示了视觉参考系中人和激光参考系中人的路径的叠加。图 6 显示了位置误差随时间的变化图。这些图表明，在 20 分钟的时间段内，没有明显的漂移或 RMS 误差的系统性增加。 ### D. 实验 3：动态性能 为了测量 KF 在估计物体状态时的性能，我们开发了一种误差指标，该指标可以测量预测物体轨迹的误差。对于每个物体，我们定义了两个量：$\Delta \bar{c}_t$: 观测到的位置变化，以及 $\Delta \hat{c}_t$: 在时间 t 处预测的位置变化 ![Image](images/9aa4eafddbe103c92d8b8d0744ff283e5db30850340652e1d261d031c6d6576c.jpg)
Fig. 5. Experiment 2: Paths in the laser frame (dotted lines) superimposed over paths in the visual frame (solid lines).
![Image](images/152b9822099ce734aff6c9af915d9aed5c0340038f5161bd1b1ffd3f1c410a31.jpg)
Fig. 6. Experiment 2: The magnitude of the error is shown here as a function of time for individual measurements. These measurements were made at 40 points separated by 5 minutes. No points were plotted where measurements were not made. The figure shows that the drift does not increase significantly over a 20 minute period.
。我们定义误差指标为： $$ \epsilon_{1}=\frac{1}{T}\sum_{t=1}^{T}\left|\Delta\mathbf{\bar{c}_{t}}-\Delta\mathbf{\hat{c}_{t}}\right|^{2} $$ 其中 $\epsilon_1$ 是残差，它是位置估计误差的瞬时不确定性或方差的度量。方差的范围是 $1 - 5cm^2/s$。如预期，对于移动物体（例如人）的方差较大，而对于静止物体的方差较小。 ### E. 实验 4：跟踪的物体数量 我们进行以下实验以确定跟踪器确定房间内人数的准确性。跟踪是在预先编写的剧本（如图 7 所示）中进行的，该剧本涉及在房间中通常观察到的活动，例如行走、交谈、小组讨论和路径交叉。 跟踪器只能看到或跟踪已经移动的对象，并且无法区分人和其他物体。因此 ---
timeaction
0:00Start of program - with A at Station A
1:33A moves fully (initialization)
1:40B walks into the room, goes to Station B, and sits down
1:56A gets up and walks over to Station B to talk to B
2:15C walks in for a cup of coffee to the coffee table
2:25C walks back out with cup
2:40D walks in and shakes hands with A
2:49D pulls up a chair next to Station A and sits down
2:58A goes to Station A and sits down to talk
......
7:03A walks to one of the moved chairs
7:10B walks in towards the printer
7:12A and B cross paths
7:15A bends below the laser's range
7:19A gets back in the range
7:27A walks back to Station A
Fig. 7. Experiment 4: Excerpts from the script we used.
![Image](images/072209f28557d78636e6bcea8ded7a6444ac708d1b78b3c014463f09c3ce0db3.jpg)
Fig. 8. Experiment 4: Plot of accuracy in tracking the number of moving objects in the room. Stars represent the number of objects as measured by the camera and solid line the number tracked by the tracker.
我们使用视觉地面真实值测量来确定移动的物体数量。图8显示了跟踪器测量的移动物体数量与视觉测量结果的对比。 ### E.1 结果 对房间中物体数量的估计错误，是通过脚本和视频进行的分析。ObjectTrackers 旨在跟踪已经移动过一次的物体。因此，椅子会出现在先前存在的物体（人）附近。虽然跟踪器能够区分人和椅子，但在人坐在椅子上时，有时（例如，当椅子暂时被遮挡时），很难区分椅子和人。在这些情况下，跟踪器会低估房间中的物体数量。这种现象发生在图 8 中的 220 秒到 270 秒之间。另一方面，当物体移动非常快或跳动时，房间中的物体数量会被高估，而 KF 无法跟上。这有时会导致临时物体，并在图 8 中的约 150 秒、220 秒和 290 秒处表现出峰值。有时，新出现的虚假物体会成为稳定 blob 的父对象。发生这种情况时，在一段时间内，物体数量会被高估，如图 8 中的 170 秒到 200 秒之间的情况。 ### IV. 讨论 在本文中，我们介绍了一种基于激光的跟踪方法。我们的方法利用了激光的优点，并克服了视觉的一些缺点。与需要多个摄像头来覆盖场景的视觉技术不同，单个激光可以有效地覆盖相当大的工作空间。激光能够以很高的精度和低计算开销，对场景进行平面化处理，从而提供场景的概览。 我们的跟踪算法计算量很小；它可以在配备 64MB RAM 和 300MHz P-II 处理器的 IBM 600e Think-pad 上实时运行，使用 2 个激光器跟踪最多 10 个物体。我们还使用配备 900MHz P-III 处理器和 128MB RAM 的设备，使用最多 6 个激光器覆盖两个房间，收集了大量数据。 使用激光存在自身缺陷：很难获得一组能够唯一区分不同物体的特征。尽管可以利用遮挡开始时刻物体的速度和位置，推断遮挡消除后物体的位置，但很难得出确定的结论。激光无法探测到扫描平面以外的物体，因此难以感知活动细节。我们可以使用多个布置在不同平面的激光来构建场景的3D表示。在存在大量移动人员、遮挡导致有效追踪无法进行的大型工作空间中，也可以使用多激光方案。从实际应用角度来看，目前激光的价格相对摄像头更高。 ### A. 应用 步态识别与活动建模是可存储和处理特定实体信息的追踪器颇具价值的应用方向。布雷格勒和布兰德 [^4], [^2], [^3] 利用动作捕捉技术记录关节方向数据，用于运动分析。我们可以对这类方法进行改造，改用激光数据确定平面内的运动模式，还有可能识别出正在执行的任务或执行任务的人员。 Microsoft 在 EasyLiving Technologies 方面的研究 [^12]，[^5] 是一种商业化技术，它需要在封闭的工作空间中定位和跟踪个人。 目标是猜测用户的意图，并帮助自动化一些琐碎的任务，例如在用户出现时自动打开电器、自动设置工作空间的温度参数，或者在用户出现时自动登录。 机器人安全设备 [^20] 需要识别移动物体，并可能确定关于它们的有用的信息。 有用的功能包括物体的数量和类型。 --- jects 及其物理特征。 这些特征可能可以使用激光跟踪仪确定。 在我们的跟踪工作中，我们过滤掉了背景。 但是，我们也可以过滤掉前景。 移动激光可以为我们提供传感器速度的估计。 我们使用 KF 来估计微分状态，但也可以使用它来直接估计位移。 这适用于基于激光的地图构建、导航和定位，如 [^11]，[^9]，[^26] 中所述。 ### V. 结论 我们证明了激光是一种有效的对象和人员跟踪传感器，我们开发了一种用于多对象跟踪的计算效率高的算法。 我们在实验室工作空间中进行了一系列四项实验，验证了该跟踪器的有效性，并证明了其在遮挡情况下的有效性。 在我们的后续工作中，我们正在将所提出的方法扩展到使用多个激光器跟踪大型、相互作用的人群，并在复杂的环境中进行跟踪。 ## 鸣谢 此处描述的研究部分由 NSF Career Grant IRI-9624237 资助 M. Matarić，部分由 ONR DURIP Grant N0014-00-1-0140 资助用于设备支持，以及部分由 DARPA MARS Program Grant DABT63-99-1-0015 资助。 ## 参考文献 [^1]: H. G. Barrow. Parametric correspondence and chamfer matching: Two new techniques for image matching. In Proc. Fifth International Joint Conference on Artificial Intelligence, volume 2, pages 650–663, Cambridge, MA, 1977. [^2]: M. Brand. Understanding manipulation in video. In Proc. 2nd International Conference on Face and Gesture Recognition, pages 94–99, Killington, VT, 1996. [^3]: M. Brand. Style machines. In Kurt Akeley, editor, Proc. Computer Graphics Siggraph 2000, pages 183–192, New Orleans, Louisiana, USA, July 23-28 2000. ACM Press / ACM SIGGRAPH / Addison Wesley Longman. [^4]: C. Bregler and J. Malik. Learning appearance based models: Mixtures of second moment experts. Advances in Neural Information Processing Systems, 9:845, 1997. [^5]: B. Brumitt, B. Meyers, J. Krumm, A. Kern, and S. Shafer. Easyliving: Technologies for intelligent environments. In Proc. Handheld and Ubiquitous Computing, pages 12–29, Bristol, September 2000. Springer Verlag. [^6]: D.Gennery. Tracking known 3-dimensional objects. In Proc. AAAI 2nd Natl. Conf. Artif. Intell., pages 13–17, Pittsburgh, PA, 1982. [^7]: D.Gennery. Visual tracking of known 3-dimensional object. Int. J. of Computer Vision, 7(3):243–270, 1992. [^8]: D. Koller, J. Weber, and J. Malik. Robust multiple car tracking with occlusion reasoning. In Proc. Third European Conference on Computer Vision, LNCS 800, pages 189–196. Springer-Verlag, 1994. [^9]: D. Fox, W. Burgard, and S. Thrun. Markov localization for mobile robots in dynamic environments. Artificial Intelligence, 11:391–427, 1999. [^10]: B. Gerkey, R. Vaughan, K. Sty, A. Howard, G. Sukhatme, and M. Matarić. Most valuable player: A robot device server for distributed control. In Proc. IEEE International Conference on Intelligent Robots and Systems (IROS 2001), pages 1226–1231, Wailea, Hawaii, 2001. [^11]: J. Gonzalez, A. Ollero, and A. Reina. Map building for a mobile robot equipped with a laser range scanner. In Proc. IEEE Int Conference on Robotics and Automation, volume 3, pages 1904–1909, San Diego, CA, USA, May 1994. [^12]: J.Krumm, S.Harris, B.Meyers, B. Brumitt, M. Hale, and S. Shafer. Multi-camera multi-person tracking for easily living. In Proc. IEEE International Workshop on Visual Surveillance, pages 3–10, Dublin, Ireland, July 2000. [^13]: J. Oliensis, J. Inigo, and Thomas. Recursive multi-frame structure from motion incorporating motion error. In Defense Advanced Research Projects Agency (DARPA) Image Understanding Workshop, pages 507–513, San Diego, CA, 1992. [^14]: D. Koller. Moving object recognition and classification based on recursive shape parameter estimation. In Proc. 12th Israel Conference on Artificial Intelligence, Computer Vision, pages 359–368, Ramat Gan, Israel, December 27-28 1993. [^15]: K.Toyama, J.Krumm, and B. Brumitt. Wallflower principles and practice of background maintenance. In Proc. International Conference on Computer Vision, pages 255–261, Corfu, Greece, Sep 1999. [^16]: M. Lee, G. Medioni, and R. Deriche. Structure and motion from a sparse set of views. In Proc. IEEE International Symposium on Computer Vision, pages 73–78, Coral Gables, Florida, USA, November 1995. [^17]: L.Matthies, R.Szeliski, and T.Kanade. Kalman filter based algorithms for estimating depth from image sequences. Int. J. of Computer Vision, 3(3):209–238, 1989. [^18]: E. Prassler, J. Scholz, and A. Elfes. Tracking people in a railway station during rush hour. In H.I.Christensen, editor, Proc. Computer Vision Systems, First International Conference, ICVS'99, pages 162–179, Las Palmas, Spain, 13-15 Jan 1999. Springer-Verlag. [^19]: R. Rosales and S. Sclaroff. Improved tracking of multiple humans with trajectory prediction and occlusion modeling. In Proc. IEEE Conf. on Computer Vision and Pattern Recognition, Workshop on the interpretation of Visual Motion, Santa Barbara, CA, 1998. [^20]: Commander H. R. Everett (Rtd). Breaking down the barriers. Unmanned Vehicles, 3(1):18–20, Feb-Apr 1998. also at: . [^21]: S.Intille, J.Davis, and A.Bobick. Real-time closed world tracking. In Proc. IEEE Conference on Computer Vision and Pattern Recognition, pages 697–703, Puerto Rico, June 1997. [^22]: S. Soatto, R.Frezza, and P.Perona. Motion estimation via dynamic vision. In Proc. of the 33rd IEEE Conf. on Decision and Control, pages 61–72, Lake Buena Vista, Florida, Dec 1994. [^23]: S. Soatto and P. Perona. 3d visual mtion estimation using subspace constraints. In Proc. of the 1st IEEE Conf. on Image Processing, 1994. [^24]: T. Broida and R. Chellappa. Estimation of object motion parameters from noisy images. IEEE Trans. Pattern Analysis Machine Intelligence, 8(1):90–99, Jan 1986. [^25]: S. Thrun. Learning metric-topological maps for indoor mobile robot navigation. Artificial Intelligence, 1:21–71, 1999. [^26]: Sebastian Thrun, Dieter Fox, Wolfram Burgard, and Frank Dellaert. Robust monte carlo localization for mobile robots. Artificial Intelligence, 128(1-2):99–141, 2001.