GMMap: Memory-Efficient Continuous Occupancy Map Using Gaussian Mixture Model

要約

自律性を実現するために環境のコンパクトな 3D マップを必要とするエネルギー制約のあるロボットでは、メモリ アクセスのエネルギー消費が計算エネルギーの大部分を占めます。
最近のマッピング フレームワークは、各深度画像のマルチパス処理によりマップ構築中に大量のメモリ使用量が発生する一方で、マップ サイズを削減することだけに重点を置いています。
この研究では、ガウス混合モデル (GMM) を使用して 3D 環境を正確にモデル化する、GMMap という名前のメモリ効率の高い連続占有マップを紹介します。
メモリ効率の高い GMMap 構築は、深度画像をローカル GMM にシングルパス圧縮することで可能になり、ローカル GMM はグローバルに一貫したマップに直接融合されます。
混合ガウス回帰を拡張して未調査領域をモデル化することにより、占有確率がガウス分布から直接計算されます。
低電力 ARM Cortex A57 CPU を使用すると、GMMap は 1 秒あたり最大 60 枚の画像でリアルタイムに構築できます。
以前の作品と比較して、GMMap は高い精度を維持しながら、マップ サイズを少なくとも 56%、メモリ オーバーヘッドを少なくとも 88%、DRAM アクセスを少なくとも 78%、エネルギー消費を少なくとも 69% 削減します。
したがって、GMMap はエネルギーに制約のあるロボット上でリアルタイム 3D マッピングを可能にします。

要約(オリジナル)

Energy consumption of memory accesses dominates the compute energy in energy-constrained robots which require a compact 3D map of the environment to achieve autonomy. Recent mapping frameworks only focused on reducing the map size while incurring significant memory usage during map construction due to multi-pass processing of each depth image. In this work, we present a memory-efficient continuous occupancy map, named GMMap, that accurately models the 3D environment using a Gaussian Mixture Model (GMM). Memory-efficient GMMap construction is enabled by the single-pass compression of depth images into local GMMs which are directly fused together into a globally-consistent map. By extending Gaussian Mixture Regression to model unexplored regions, occupancy probability is directly computed from Gaussians. Using a low-power ARM Cortex A57 CPU, GMMap can be constructed in real-time at up to 60 images per second. Compared with prior works, GMMap maintains high accuracy while reducing the map size by at least 56%, memory overhead by at least 88%, DRAM access by at least 78%, and energy consumption by at least 69%. Thus, GMMap enables real-time 3D mapping on energy-constrained robots.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google