POV-SLAM: Probabilistic Object-Aware Variational SLAM in Semi-Static Environments

要約

ゆっくりと変化するシーンでの同時位置特定とマッピング (SLAM) は、ロボットの長期的なタスクを完了するために重要です。
シーンの変化を検出できないと、マップが不正確になり、最終的にはロボットが失われる可能性があります。
従来の SLAM アルゴリズムは静的なシーンを想定しており、最近の作品では動的なシーンが考慮されていますが、連続したフレームでシーンの変化を観察する必要があります。
時間の経過とともにオブジェクトが出現したり、消えたり、ゆっくりと移動したりする半静的なシーンは見落とされがちですが、長期的な運用には重要です。
我々は、半静的なオブジェクトレベルの変化を追跡および再構築する、オブジェクト認識のファクターグラフ SLAM フレームワークを提案します。
私たちの新しい変分期待値最大化戦略は、潜在的に変化するオブジェクトのガウス均一二峰性測定尤度を含むファクター グラフを最適化するために使用されます。
私たちは、最先端の SLAM ソリューションと並行して、シミュレーションおよび倉庫で 4 か月にわたってキャプチャされた新しい現実世界の SLAM データセットでアプローチを評価します。
私たちの方法は、半静的な変化が存在する場合の位置特定の堅牢性を向上させ、シーンに関するオブジェクトレベルの推論を提供します。

要約(オリジナル)

Simultaneous localization and mapping (SLAM) in slowly varying scenes is important for long-term robot task completion. Failing to detect scene changes may lead to inaccurate maps and, ultimately, lost robots. Classical SLAM algorithms assume static scenes, and recent works take dynamics into account, but require scene changes to be observed in consecutive frames. Semi-static scenes, wherein objects appear, disappear, or move slowly over time, are often overlooked, yet are critical for long-term operation. We propose an object-aware, factor-graph SLAM framework that tracks and reconstructs semi-static object-level changes. Our novel variational expectation-maximization strategy is used to optimize factor graphs involving a Gaussian-Uniform bimodal measurement likelihood for potentially-changing objects. We evaluate our approach alongside the state-of-the-art SLAM solutions in simulation and on our novel real-world SLAM dataset captured in a warehouse over four months. Our method improves the robustness of localization in the presence of semi-static changes, providing object-level reasoning about the scene.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google