Take Your Best Shot: Sampling-Based Next-Best-View Planning for Autonomous Photography & Inspection

要約

高品質のカメラを備えた自律移動ロボット (AMR) は、効率的で費用対効果の高い調査実施手段を提供することで、検査分野に革命をもたらしました。
自律的検査の使用はさまざまな状況でさらに普及しつつありますが、最適な検査情報を自律的に取得することは依然として困難です。
物体がロボットの視界を遮る可能性がある状況では、推論を使用してデータを収集する最適なポイントを決定する必要があります。
研究者らは検査データを保存するクラウドベースのアプリケーションを検討してきましたが、これらのアプリケーションはネットワークの制約下では最適に動作しない可能性があり、これらのデータセットの解析には手作業が多くかかる可能性があります。
その代わりに、AMR が最も有益なビューを効率的に自律的に取得するという新たな要件が生じています。
この課題に対処するために、当社は、作業中に必要な画像の数を削減しながら、検査情報を最大化する自律的な Next-Best-View (NBV) フレームワークを提案します。
このフレームワークは、部分的に既知の環境の現在の理解に基づいて情報報酬を推定するための、レイ トレーシングとガウス プロセス補間を使用した形式化された評価メトリックで構成されます。
デリバティブフリー最適化 (DFO) 手法を使用して、環境内の候補ビューをサンプリングし、NBV ポイントを特定します。
提案されたアプローチの有効性は、既存の方法と比較することによって示され、シミュレーションとさまざまな車両での実験を通じてさらに検証されます。

要約(オリジナル)

Autonomous mobile robots (AMRs) equipped with high-quality cameras have revolutionized the field of inspections by providing efficient and cost-effective means of conducting surveys. The use of autonomous inspection is becoming more widespread in a variety of contexts, yet it is still challenging to acquire the best inspection information autonomously. In situations where objects may block a robot’s view, it is necessary to use reasoning to determine the optimal points for collecting data. Although researchers have explored cloud-based applications to store inspection data, these applications may not operate optimally under network constraints, and parsing these datasets can be manually intensive. Instead, there is an emerging requirement for AMRs to autonomously capture the most informative views efficiently. To address this challenge, we present an autonomous Next-Best-View (NBV) framework that maximizes the inspection information while reducing the number of pictures needed during operations. The framework consists of a formalized evaluation metric using ray-tracing and Gaussian process interpolation to estimate information reward based on the current understanding of the partially-known environment. A derivative-free optimization (DFO) method is used to sample candidate views in the environment and identify the NBV point. The proposed approach’s effectiveness is shown by comparing it with existing methods and further validated through simulations and experiments with various vehicles.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google