RecNet: An Invertible Point Cloud Encoding through Range Image Embeddings for Multi-Robot Map Sharing and Reconstruction

要約

この記事では、リソースに制約のあるロボットとマルチロボット システムにおける効果的な場所認識の必要性の分野において、両方の課題に同時に対処する新しいアプローチである RecNet を紹介します。
RecNet の方法論の中核には、変換プロセスが含まれます。つまり、3D 点群を距離画像に投影し、エンコーダ/デコーダ フレームワークを使用してそれらを圧縮し、その後距離画像を再構築して元の点群を復元します。
さらに、RecNet は、このプロセスから抽出された潜在ベクトルを利用して、効率的な場所認識タスクを実現します。
このアプローチは、同等の場所認識結果を達成するだけでなく、集合的な地図を再構築するためにロボット間で共有するのに適したコンパクトな表現を維持します。
RecNet の評価には、場所認識パフォーマンス、再構成された点群の構造的類似性、潜在ベクトルのみの共有から得られる帯域幅伝送の利点など、一連の指標が含まれます。
私たちが提案したアプローチは、公開されているデータセットとフィールド実験$^1$の両方を使用して評価され、その有効性と現実世界への応用の可能性が確認されています。

要約(オリジナル)

In the field of resource-constrained robots and the need for effective place recognition in multi-robotic systems, this article introduces RecNet, a novel approach that concurrently addresses both challenges. The core of RecNet’s methodology involves a transformative process: it projects 3D point clouds into range images, compresses them using an encoder-decoder framework, and subsequently reconstructs the range image, restoring the original point cloud. Additionally, RecNet utilizes the latent vector extracted from this process for efficient place recognition tasks. This approach not only achieves comparable place recognition results but also maintains a compact representation, suitable for sharing among robots to reconstruct their collective maps. The evaluation of RecNet encompasses an array of metrics, including place recognition performance, the structural similarity of the reconstructed point clouds, and the bandwidth transmission advantages, derived from sharing only the latent vectors. Our proposed approach is assessed using both a publicly available dataset and field experiments$^1$, confirming its efficacy and potential for real-world applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google