GOReloc: Graph-based Object-Level Relocalization for Visual SLAM

要約

この記事では、ロボット システムをオブジェクト レベルで再局所化するための新しい方法を紹介します。
現在のフレーム内のオブジェクト検出を軽量オブジェクト レベル マップ内の 3D オブジェクトと確実に関連付けることにより、カメラ センサーの姿勢を決定します。
オブジェクト グラフは、意味論的な不確実性を考慮して、受信カメラ フレームと事前構築マップの両方に対して構築されます。
オブジェクトはグラフ ノードとして表され、各ノードは私たちが考案したグラフ カーネルに基づいた固有のセマンティック記述子を使用します。
各オブジェクト検出に対する潜在的なオブジェクトの関連付けを特定することでターゲット マップ グラフからサブグラフを抽出し、RANSAC にヒントを得た戦略を使用してこれらの関連付けと姿勢推定を改良します。
さまざまなデータセットでの実験により、私たちの方法がより正確なデータ関連付けを達成し、ベースライン方法と比較して再局在化の成功率が大幅に向上することが実証されました。
私たちのメソッドの実装は \url{https://github.com/yutongwangBIT/GOReloc} でリリースされています。

要約(オリジナル)

This article introduces a novel method for object-level relocalization of robotic systems. It determines the pose of a camera sensor by robustly associating the object detections in the current frame with 3D objects in a lightweight object-level map. Object graphs, considering semantic uncertainties, are constructed for both the incoming camera frame and the pre-built map. Objects are represented as graph nodes, and each node employs unique semantic descriptors based on our devised graph kernels. We extract a subgraph from the target map graph by identifying potential object associations for each object detection, then refine these associations and pose estimations using a RANSAC-inspired strategy. Experiments on various datasets demonstrate that our method achieves more accurate data association and significantly increases relocalization success rates compared to baseline methods. The implementation of our method is released at \url{https://github.com/yutongwangBIT/GOReloc}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google