Robust Multi-Robot Global Localization with Unknown Initial Pose based on Neighbor Constraints

要約

大規模環境における未知の初期位置によるマルチロボットの全地球位置推定 (MR-GL) は、困難な作業です。
重要な点は、異なるロボットの視点間のデータの関連付けです。
また、従来の外観ベースのローカリゼーション方法も使用できなくなります。
最近、研究者はオブジェクトの意味論的不変性を利用して、この問題に対処する意味論的グラフを生成しました。
ただし、以前の作品は堅牢性に欠けており、マップの重複率の影響を受けやすいため、現実の環境では予測できないパフォーマンスが発生します。
この論文では、システムの堅牢性を向上させるために、近隣制約に基づくデータ関連付けアルゴリズムを提案します。
3 つの異なるデータセットでこの方法の有効性を実証し、以前の研究と比較して堅牢性が大幅に向上していることを示しています。

要約(オリジナル)

Multi-robot global localization (MR-GL) with unknown initial positions in a large scale environment is a challenging task. The key point is the data association between different robots’ viewpoints. It also makes traditional Appearance-based localization methods unusable. Recently, researchers have utilized the object’s semantic invariance to generate a semantic graph to address this issue. However, previous works lack robustness and are sensitive to overlap rate of maps, resulting in unpredictable performance in real-world environments. In this paper, we propose a data association algorithm based on neighbor constraints to improve the robustness of the system. We demonstrate the effectiveness of our method on three different datasets, indicating a significant improvement in robustness compared to previous works.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google