LiSTA: Geometric Object-Based Change Detection in Cluttered Environments

要約

我々は、マルチミッションSLAMを使用して時間の経過に伴う確率的な物体レベルの変化を検出するシステムであるLiSTA（LiDAR時空間分析）を紹介します。
建設、ロボットナビゲーション、長期自律性、環境監視など、多くのアプリケーションでこのようなシステムが必要となります。
私たちは、数週間または数か月にわたってオブジェクトが追加、減算、または位置が変更される半静的なシナリオに焦点を当てます。
私たちのシステムは、マルチミッション LiDAR SLAM、体積差分測定、物体インスタンスの記述、および学習された記述子を使用した対応グループ化を組み合わせて、オブジェクトの開いたセットを追跡します。
ミッション間のオブジェクトの対応関係は、オブジェクトの学習された記述子をクラスター化することによって決定されます。
シミュレートされた環境で収集されたデータセットと、静的、半静的、動的物体を含む産業施設を監視する四足ロボットに搭載された LiDAR システムを使用してキャプチャされた現実世界のデータセットを使用して、アプローチを実証します。
私たちの手法は、既存の手法と比較して、半静的な環境の変化を検出する際に優れたパフォーマンスを示します。

要約(オリジナル)

We present LiSTA (LiDAR Spatio-Temporal Analysis), a system to detect probabilistic object-level change over time using multi-mission SLAM. Many applications require such a system, including construction, robotic navigation, long-term autonomy, and environmental monitoring. We focus on the semi-static scenario where objects are added, subtracted, or changed in position over weeks or months. Our system combines multi-mission LiDAR SLAM, volumetric differencing, object instance description, and correspondence grouping using learned descriptors to keep track of an open set of objects. Object correspondences between missions are determined by clustering the object’s learned descriptors. We demonstrate our approach using datasets collected in a simulated environment and a real-world dataset captured using a LiDAR system mounted on a quadruped robot monitoring an industrial facility containing static, semi-static, and dynamic objects. Our method demonstrates superior performance in detecting changes in semi-static environments compared to existing methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google