Online Learning of Wheel Odometry Correction for Mobile Robots with Attention-based Neural Network

要約

最新のロボット プラットフォームには、人間のそばで毎日動作するための信頼性の高いローカリゼーション システムが必要です。
フィルタリングされた車輪と慣性オドメトリに基づく単純な姿勢推定アルゴリズムは、急激な運動学的変化と車輪のスリップが存在すると失敗することがよくあります。
さらに、ビジュアルオドメトリの最近の成功にもかかわらず、サービスおよび支援ロボットタスクは、不十分な照明または反復機能パターンが原因で視覚ベースのソリューションが失敗するという困難な環境条件を提示することがよくあります。
この作業では、車輪走行距離補正のための革新的なオンライン学習アプローチを提案し、堅牢なマルチソース ローカリゼーション システムへの道を開きます。
正確なパフォーマンスとリアルタイムの推論を組み合わせるために、効率的な注意ベースのニューラル ネットワーク アーキテクチャが研究されています。
提案されたソリューションは、標準的なニューラル ネットワークやフィルター ベースのオドメトリ補正アルゴリズムと比較して、驚くべき結果を示しています。
それにもかかわらず、オンライン学習パラダイムは、時間のかかるデータ収集手順を回避し、オンザフライで一般的なロボット プラットフォームに採用できます。

要約(オリジナル)

Modern robotic platforms need a reliable localization system to operate daily beside humans. Simple pose estimation algorithms based on filtered wheel and inertial odometry often fail in the presence of abrupt kinematic changes and wheel slips. Moreover, despite the recent success of visual odometry, service and assistive robotic tasks often present challenging environmental conditions where visual-based solutions fail due to poor lighting or repetitive feature patterns. In this work, we propose an innovative online learning approach for wheel odometry correction, paving the way for a robust multi-source localization system. An efficient attention-based neural network architecture has been studied to combine precise performances with real-time inference. The proposed solution shows remarkable results compared to a standard neural network and filter-based odometry correction algorithms. Nonetheless, the online learning paradigm avoids the time-consuming data collection procedure and can be adopted on a generic robotic platform on-the-fly.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google