Continual SLAM: Beyond Lifelong Simultaneous Localization and Mapping Through Continual Learning

要約

オープン ワールドで動作するロボットは、互いに大幅に異なるさまざまな環境に遭遇します。
このドメイン ギャップは、ナビゲーションの基本的なタスクの 1 つである同時ローカリゼーションとマッピング (SLAM) にも課題をもたらします。
特に、学習ベースのSLAMメソッドは、目に見えない環境への一般化が不十分であることが知られており、一般的な採用を妨げています.
この作業では、継続的なSLAMの新しいタスクを紹介し、生涯SLAMの概念を、動的に変化する単一の環境から、いくつかの大幅に異なる環境での順次展開に拡張します。
このタスクに対処するために、デュアルネットワークアーキテクチャを活用して、新しい環境に適応し、以前に訪れた環境に関する知識を保持する CL-SLAM を提案します。
CL-SLAM を学習ベースの従来の SLAM メソッドと比較し、オンライン データを活用する利点を示します。
3 つの異なるデータセットで CL-SLAM を広範囲に評価し、既存の継続的な学習ベースのビジュアル オドメトリ法に触発されたいくつかのベースラインよりも優れていることを示します。
私たちは、私たちの仕事のコードを http://continual-slam.cs.uni-freiburg.de で公開しています。

要約(オリジナル)

Robots operating in the open world encounter various different environments that can substantially differ from each other. This domain gap also poses a challenge for Simultaneous Localization and Mapping (SLAM) being one of the fundamental tasks for navigation. In particular, learning-based SLAM methods are known to generalize poorly to unseen environments hindering their general adoption. In this work, we introduce the novel task of continual SLAM extending the concept of lifelong SLAM from a single dynamically changing environment to sequential deployments in several drastically differing environments. To address this task, we propose CL-SLAM leveraging a dual-network architecture to both adapt to new environments and retain knowledge with respect to previously visited environments. We compare CL-SLAM to learning-based as well as classical SLAM methods and show the advantages of leveraging online data. We extensively evaluate CL-SLAM on three different datasets and demonstrate that it outperforms several baselines inspired by existing continual learning-based visual odometry methods. We make the code of our work publicly available at http://continual-slam.cs.uni-freiburg.de.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google