Deep Robust Multi-Robot Re-localisation in Natural Environments

要約

再位置特定の成功は、現実世界のシナリオで以前のマップ内で、または相互に相対的に動作するロボットの実際の展開に重大な意味を持ちます。
単一モダリティを使用すると、森林などの困難な環境では場所の認識と位置特定が損なわれる可能性があります。
これに対処するために、LIDAR 画像のクロスモダリティを使用して LIDAR ベースの再位置推定の失敗を防ぐ戦略を提案します。
当社のソリューションは、自己監視型 2D-3D 特徴マッチングに依存して、位置合わせと位置ずれを予測します。
LIDAR 特徴抽出と点群間の相対姿勢推定にディープ ネットワークを活用して、推定された変換を評価するモデルをトレーニングします。
位置ずれの存在を予測するモデルは、埋め込み空間における画像とライダーの類似性と、ユークリッド空間の両方のモダリティで見られる領域内で利用可能な幾何学的制約を分析することによって学習されます。
実際のデータセット (オフライン モードとオンライン モード) を使用した実験結果は、構造化されていない自然環境における堅牢な再位置推定に対する提案されたパイプラインの有効性を示しています。

要約(オリジナル)

The success of re-localisation has crucial implications for the practical deployment of robots operating within a prior map or relative to one another in real-world scenarios. Using single-modality, place recognition and localisation can be compromised in challenging environments such as forests. To address this, we propose a strategy to prevent lidar-based re-localisation failure using lidar-image cross-modality. Our solution relies on self-supervised 2D-3D feature matching to predict alignment and misalignment. Leveraging a deep network for lidar feature extraction and relative pose estimation between point clouds, we train a model to evaluate the estimated transformation. A model predicting the presence of misalignment is learned by analysing image-lidar similarity in the embedding space and the geometric constraints available within the region seen in both modalities in Euclidean space. Experimental results using real datasets (offline and online modes) demonstrate the effectiveness of the proposed pipeline for robust re-localisation in unstructured, natural environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google