ObVi-SLAM: Long-Term Object-Visual SLAM

要約

長期間にわたるタスクを担当するロボットは、幾何学的な変化、視点の変化、外観の変化の中でも、一貫してスケーラブルに位置特定できなければなりません。
既存のビジュアル SLAM アプローチは、このような環境変化に対して堅牢ではない低レベルの機能記述子に依存しているため、マップ サイズが大きくなり、長期的な展開では拡張性が不十分になります。
対照的に、物体検出は環境の変化に対して堅牢であり、よりコンパクトな表現につながりますが、ほとんどの物体ベースの SLAM システムは、近くの物体を使用した短期間の屋内展開をターゲットとしています。
このペーパーでは、両方のアプローチの長所を活用してこれらの課題を克服する ObVi-SLAM を紹介します。
ObVi-SLAM は、高品質の短期視覚オドメトリのために低レベルの視覚機能を使用します。
また、グローバルで長期的な一貫性を確保するために、ObVi-SLAM は不確実性を考慮した永続オブジェクトの長期マップを構築し、展開のたびにそれを更新します。
さまざまな天候や照明条件にわたる 16 回の展開セッションからのデータで ObVi-SLAM を評価することにより、ObVi-SLAM がさまざまな出現条件にもかかわらず、長期スケールにわたって一貫した正確な位置推定値を生成することを経験的に示しました。

要約(オリジナル)

Robots responsible for tasks over long time scales must be able to localize consistently and scalably amid geometric, viewpoint, and appearance changes. Existing visual SLAM approaches rely on low-level feature descriptors that are not robust to such environmental changes and result in large map sizes that scale poorly over long-term deployments. In contrast, object detections are robust to environmental variations and lead to more compact representations, but most object-based SLAM systems target short-term indoor deployments with close objects. In this paper, we introduce ObVi-SLAM to overcome these challenges by leveraging the best of both approaches. ObVi-SLAM uses low-level visual features for high-quality short-term visual odometry; and to ensure global, long-term consistency, ObVi-SLAM builds an uncertainty-aware long-term map of persistent objects and updates it after every deployment. By evaluating ObVi-SLAM on data from 16 deployment sessions spanning different weather and lighting conditions, we empirically show that ObVi-SLAM generates accurate localization estimates consistent over long-time scales in spite of varying appearance conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google