Towards Long Term SLAM on Thermal Imagery

要約

熱画像を使用したビジュアル SLAM や、水中や雪と氷に覆われた地域など、その他の低コントラストの視覚的に劣化した環境は、多くの最先端 (SOTA) アルゴリズムにとって依然として困難な問題です。
熱画像は、フロントエンド データの関連付けが難しいことに加えて、長期にわたる再位置推定やマップの再利用にもさらなる困難をもたらします。
熱画像内の物体の相対温度は、昼と夜で劇的に変化します。
SLAM での再局在化に通常使用される特徴記述子は、これらの日次変化に対して一貫性を維持できません。
我々は、学習された特徴記述子を既存の Bag of Word ベースの位置特定スキーム内で使用して、熱画像における大きな時間的ギャップ全体での場所認識を劇的に改善できることを示します。
トレーニングされた語彙の有効性を実証するために、学習された特徴を統合し、古典的な SLAM アルゴリズムにマッチングするベースライン SLAM システムを開発しました。
当社のシステムは、困難な熱画像に対する良好な局所追跡と、昼夜の劇的な熱的外観の変化を克服する再局在化を実証します。
私たちのコードとデータセットはここから入手できます: https://github.com/neufieldrobotics/IRSLAM_Baseline

要約(オリジナル)

Visual SLAM with thermal imagery, and other low contrast visually degraded environments such as underwater, or in areas dominated by snow and ice, remain a difficult problem for many state of the art (SOTA) algorithms. In addition to challenging front-end data association, thermal imagery presents an additional difficulty for long term relocalization and map reuse. The relative temperatures of objects in thermal imagery change dramatically from day to night. Feature descriptors typically used for relocalization in SLAM are unable to maintain consistency over these diurnal changes. We show that learned feature descriptors can be used within existing Bag of Word based localization schemes to dramatically improve place recognition across large temporal gaps in thermal imagery. In order to demonstrate the effectiveness of our trained vocabulary, we have developed a baseline SLAM system, integrating learned features and matching into a classical SLAM algorithm. Our system demonstrates good local tracking on challenging thermal imagery, and relocalization that overcomes dramatic day to night thermal appearance changes. Our code and datasets are available here: https://github.com/neufieldrobotics/IRSLAM_Baseline

arxiv情報

提供元, 利用サービス

arxiv.jp, Google