Riemannian Optimization for Active Mapping with Robot Teams

要約

モバイル ロボットのチームを使用して未知の環境を自律的に探索するには、効率的でスケーラブルなパフォーマンスを実現するための分散された認識と計画戦略が必要です。
理想的には、各ロボットはマップを更新し、自身の観察に依存するだけでなく、他のロボットの観察も考慮して動作を計画する必要があります。
マルチロボット調整の一元的なソリューションは、中央ノードの障害の影響を受けやすく、信頼性の高い動作のために高度な通信インフラストラクチャを必要とします。
現在の分散型アクティブ マッピング手法では、線形ガウス観測とユークリッド ロボット状態を備えた単純化されたロボット モデルが考慮されています。
この研究では、アクティブ マッピングのためのリーマン最適化 (ROAM) と呼ばれる、分散マルチロボット マッピングおよび計画手法を紹介します。
リーマン多様体に属するノード変数と、ノード変数に一致する実現可能な解を必要とするコンセンサス制約を含むグラフに対する最適化問題を定式化します。
私たちは、コンセンサスと最適性を保証して問題を解決するために、ワンホップ通信のみに依存する分散リーマン最適化アルゴリズムを開発します。
我々は、異なる多様体に対する分散リーマン最適化の 2 つのアプリケーション、つまり 3 次元セマンティック マップの分散推定と、マップの不確実性を最小限に抑える SE(3) 軌道の分散計画によって、マルチロボット アクティブ マッピングを実現できることを示します。
私たちは、RGB-D カメラを備えたロボットのチームを使用したシミュレーションと実世界の実験で ROAM のパフォーマンスを実証します。

要約(オリジナル)

Autonomous exploration of unknown environments using a team of mobile robots demands distributed perception and planning strategies to enable efficient and scalable performance. Ideally, each robot should update its map and plan its motion not only relying on its own observations, but also considering the observations of its peers. Centralized solutions to multi-robot coordination are susceptible to central node failure and require a sophisticated communication infrastructure for reliable operation. Current decentralized active mapping methods consider simplistic robot models with linear-Gaussian observations and Euclidean robot states. In this work, we present a distributed multi-robot mapping and planning method, called Riemannian Optimization for Active Mapping (ROAM). We formulate an optimization problem over a graph with node variables belonging to a Riemannian manifold and a consensus constraint requiring feasible solutions to agree on the node variables. We develop a distributed Riemannian optimization algorithm that relies only on one-hop communication to solve the problem with consensus and optimality guarantees. We show that multi-robot active mapping can be achieved via two applications of our distributed Riemannian optimization over different manifolds: distributed estimation of a 3-D semantic map and distributed planning of SE(3) trajectories that minimize map uncertainty. We demonstrate the performance of ROAM in simulation and real-world experiments using a team of robots with RGB-D cameras.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google