Rao-Blackwellized Particle Smoothing for Simultaneous Localization and Mapping

要約

SLAM (Simultaneous Localization and Mapping) は、未知の環境の地図表現を構築すると同時に、それを測位に使用するタスクです。
SLAM タスクの確率論的な解釈により、事前の知識を組み込み、不確実性の下での操作が可能になります。
システム状態の点推定を計算する一般的な手法とは対照的に、近似ベイジアン推論を通じて完全な事後密度を取得します。
この動的学習タスクは状態推定に分類され、最先端の技術は順方向フィルタリング問題に取り組む逐次モンテカルロ法です。
この論文では、粒子平滑化を使用した確率的 SLAM のフレームワークを紹介します。このフレームワークは、観察されたデータを現在の状態の推定に組み込むだけでなく、更新された知識をバックトラックして、マップと状態の両方における過去のドリフトと曖昧さを修正します。
。
私たちのソリューションは、条件付き線形モデルと条件付き線形化モデルの Rao-Blackwell 化により、密マップ表現と疎マップ表現の両方を効率的に処理できます。
シミュレーションと実際の実験を通じて、原理が無線 (BLE/Wi-Fi)、磁場、視覚的 SLAM にどのように適用されるかを示します。
提案された解決策は一般的で効率的であり、交絡ノイズの下でもうまく機能します。

要約(オリジナル)

Simultaneous localization and mapping (SLAM) is the task of building a map representation of an unknown environment while it at the same time is used for positioning. A probabilistic interpretation of the SLAM task allows for incorporating prior knowledge and for operation under uncertainty. Contrary to the common practice of computing point estimates of the system states, we capture the full posterior density through approximate Bayesian inference. This dynamic learning task falls under state estimation, where the state-of-the-art is in sequential Monte Carlo methods that tackle the forward filtering problem. In this paper, we introduce a framework for probabilistic SLAM using particle smoothing that does not only incorporate observed data in current state estimates, but it also back-tracks the updated knowledge to correct for past drift and ambiguities in both the map and in the states. Our solution can efficiently handle both dense and sparse map representations by Rao-Blackwellization of conditionally linear and conditionally linearized models. We show through simulations and real-world experiments how the principles apply to radio (BLE/Wi-Fi), magnetic field, and visual SLAM. The proposed solution is general, efficient, and works well under confounding noise.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google