Kimera2: Robust and Accurate Metric-Semantic SLAM in the Real World

要約

オープンソースのメトリックセマンティック視覚慣性 SLAM ライブラリである Kimera の改良点を紹介します。
特に、Kimera を強化する視覚慣性オドメトリ パイプラインである Kimera-VIO を強化し、より優れた特徴追跡、より効率的なキーフレーム選択、さまざまな入力モダリティ (単眼、ステレオ、RGB-D 画像、ホイール オドメトリなど) をサポートします。
）。
さらに、Kimera のポーズグラフ最適化バックエンドである Kimera-RPGO および Kimera-PGMO が更新され、最新の異常値除去方法 (具体的には、Graduated-Non-Convexity) をサポートし、スプリアス ループ クロージャに対する堅牢性が向上しました。
これらの新機能は、ドローン、四足歩行ロボット、車輪付きロボット、模擬自動運転車など、さまざまな模擬ロボット プラットフォームと実際のロボット プラットフォームで広範囲に評価されています。
いくつかの最先端の視覚慣性 SLAM パイプラインとの比較を示し、Kimera の新しいリリースの長所と短所について説明します。
新しく追加された機能は、https://github.com/MIT-SPARK/Kimera でオープンソースとしてリリースされました。

要約(オリジナル)

We present improvements to Kimera, an open-source metric-semantic visual-inertial SLAM library. In particular, we enhance Kimera-VIO, the visual-inertial odometry pipeline powering Kimera, to support better feature tracking, more efficient keyframe selection, and various input modalities (eg monocular, stereo, and RGB-D images, as well as wheel odometry). Additionally, Kimera-RPGO and Kimera-PGMO, Kimera’s pose-graph optimization backends, are updated to support modern outlier rejection methods – specifically, Graduated-Non-Convexity – for improved robustness to spurious loop closures. These new features are evaluated extensively on a variety of simulated and real robotic platforms, including drones, quadrupeds, wheeled robots, and simulated self-driving cars. We present comparisons against several state-of-the-art visual-inertial SLAM pipelines and discuss strengths and weaknesses of the new release of Kimera. The newly added features have been released open-source at https://github.com/MIT-SPARK/Kimera.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google