Transitional Grid Maps: Efficient Analytical Inference of Dynamic Environments under Limited Sensing

要約

自律エージェントは、センサー データに依存して環境の表現を構築します。これは、将来のイベントを予測し、独自の行動を計画するために不可欠です。
ただし、センサーの測定には、範囲の制限、遮蔽、センサーのノイズという問題があります。
これらの課題は、異なる時間のセンサーの読み取り値に基づいて環境の状態を効率的に推測することがまだ未解決の問題である動的環境でより顕著になります。
この研究は、環境の動的部分の状態、つまり、動的オブジェクトが存在する可能性のある場所を、以前の観察と動的オブジェクトの制約に基づいて推測することに焦点を当てています。
私たちは問題を形式化し、効率的な分析ソリューションである Transitional Grid Maps (TGM) を導入します。
TGM は、多くの実際的なシナリオに当てはまる一連の新しい仮定に基づいています。
これらは問題の複雑さを大幅に軽減し、既知の静的マップ (図 1 を参照) に基づいて動的マップ全体の継続的な予測と更新を可能にし、他の代替手段との差別化を図ります。
私たちのアプローチを最先端の粒子フィルターと比較し、遮蔽されたシナリオではより慎重な予測を、遮蔽されていない追跡では同等の結果を取得します。

要約(オリジナル)

Autonomous agents rely on sensor data to construct representations of their environment, essential for predicting future events and planning their own actions. However, sensor measurements suffer from limited range, occlusions, and sensor noise. These challenges become more evident in dynamic environments, where efficiently inferring the state of the environment based on sensor readings from different times is still an open problem. This work focuses on inferring the state of the dynamic part of the environment, i.e., where dynamic objects might be, based on previous observations and constraints on their dynamics. We formalize the problem and introduce Transitional Grid Maps (TGMs), an efficient analytical solution. TGMs are based on a set of novel assumptions that hold in many practical scenarios. They significantly reduce the complexity of the problem, enabling continuous prediction and updating of the entire dynamic map based on the known static map (see Fig.1), differentiating them from other alternatives. We compare our approach with a state-of-the-art particle filter, obtaining more prudent predictions in occluded scenarios and on-par results on unoccluded tracking.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google