Region Prediction for Efficient Robot Localization on Large Maps

要約

既に探索された場所の認識 (別名場所認識) は、ロボットの再位置特定とループ クロージャーの検出を可能にする、同時位置特定とマッピング (SLAM) の基本的なタスクです。
トポロジー SLAM では、現在のノードに関連付けられた署名 (または特徴ベクトル) を既知のマップ内のノードの署名と比較することによって、認識が行われます。
ただし、ノードの数が増えると、現在のノード シグネチャを既存のすべてのシグネチャと照合することは非効率になり、リアルタイム ナビゲーションが妨げられます。
この論文では、場所認識のためにマップノードのサブセットを事前に選択するための新しいアプローチを提案します。
マップ ノードは探索中にクラスター化され、各クラスターは地域に関連付けられます。
領域ラベルはディープ ニューラル ネットワークの予測対象となり、ナビゲーション中は、高い確率で予測された領域に関連付けられたノードのみが照合対象と見なされます。
提案された手法はさまざまなSLAMアプローチに統合できますが、この作業では、RTAB-Map（リアルタイムトポロジーSLAMの一般的なフレームワーク）との効果的な統合について説明します。これにより、その有効性を実証するためにいくつかの実験を設計および実行できました。
実験のすべてのコードと資料は、https://github.com/MI-BioLab/region-learner でオンラインで入手できます。

要約(オリジナル)

Recognizing already explored places (a.k.a. place recognition) is a fundamental task in Simultaneous Localization and Mapping (SLAM) to enable robot relocalization and loop closure detection. In topological SLAM the recognition takes place by comparing a signature (or feature vector) associated to the current node with the signatures of the nodes in the known map. However, as the number of nodes increases, matching the current node signature against all the existing ones becomes inefficient and thwarts real-time navigation. In this paper we propose a novel approach to pre-select a subset of map nodes for place recognition. The map nodes are clustered during exploration and each cluster is associated with a region. The region labels become the prediction targets of a deep neural network and, during navigation, only the nodes associated with the regions predicted with high probability are considered for matching. While the proposed technique can be integrated in different SLAM approaches, in this work we describe an effective integration with RTAB-Map (a popular framework for real-time topological SLAM) which allowed us to design and run several experiments to demonstrate its effectiveness. All the code and material from the experiments will be available online at https://github.com/MI-BioLab/region-learner.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google