要約
最近の結果は、トポロジカル ナビゲーションをロボットに依存しないコンポーネントとロボット固有のコンポーネントに分割することで、ロボットに依存しない部分をさまざまなタイプのロボットによって収集されたデータでトレーニングできるようになり、ナビゲーションのパフォーマンスが向上することを示唆しています。
ただし、ナビゲーション方法のパフォーマンスは、適切なトレーニング データの不足によって依然として制限されており、計算のスケーリングが不十分であるという問題があります。
この研究では、ロボットに依存しない部分をナビゲーション固有のコンポーネントと汎用のコンピューター ビジョン コンポーネントに細分化して、PlaceNav を紹介します。
トポロジカル ナビゲーション パイプラインのサブゴールの選択に視覚的な場所認識を利用します。
これにより、サブ目標の選択がより効率的になり、ロボット以外のソースからの大規模なデータセットを活用できるようになり、トレーニング データの可用性が向上します。
場所認識によって有効になるベイジアン フィルタリングは、サブゴールの時間的一貫性を高めることでナビゲーション パフォーマンスをさらに向上させます。
私たちの実験結果は設計を検証し、新しい方法はより高い計算効率で屋内ナビゲーション タスクでは 76% 高い成功率、屋外ナビゲーション タスクでは 23% 高い成功率を達成しました。
要約(オリジナル)
Recent results suggest that splitting topological navigation into robot-independent and robot-specific components improves navigation performance by enabling the robot-independent part to be trained with data collected by robots of different types. However, the navigation methods’ performance is still limited by the scarcity of suitable training data and they suffer from poor computational scaling. In this work, we present PlaceNav, subdividing the robot-independent part into navigation-specific and generic computer vision components. We utilize visual place recognition for the subgoal selection of the topological navigation pipeline. This makes subgoal selection more efficient and enables leveraging large-scale datasets from non-robotics sources, increasing training data availability. Bayesian filtering, enabled by place recognition, further improves navigation performance by increasing the temporal consistency of subgoals. Our experimental results verify the design and the new method obtains a 76% higher success rate in indoor and 23% higher in outdoor navigation tasks with higher computational efficiency.
arxiv情報
| 著者 | Lauri Suomela,Jussi Kalliola,Harry Edelman,Joni-Kristian Kämäräinen |
| 発行日 | 2024-02-29 12:09:33+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google