Localization Under Consistent Assumptions Over Dynamics

要約

正確なマップは、事実上すべてのモバイル ロボット タスクの前提条件です。
ほとんどの最先端の地図は静的な世界を前提としています。
したがって、動的オブジェクトは測定値から除​​外されます。
ただし、この分割では、移動可能だが動かないオブジェクト (つまり、半静的オブジェクト) が無視されます。これらのオブジェクトは通常、マップに記録され、静的オブジェクトとして扱われるため、静的な世界の仮定に違反し、位置特定でエラーが発生します。
この論文では、移動オブジェクトと可動オブジェクトを一貫してモデリングしてマップと測定値に一致させる方法を紹介します。
これにより、非静的測定値の一貫性のない分類と処理によって生じる誤差が軽減されます。
セマンティック セグメンテーション ネットワークを使用して測定値を静的クラスと半静的クラスに分類し、バックグラウンド減算フィルターを使用して動的測定値を削除します。
最後に、Oxford Radar RobotCar データセットからの実世界データを使用した最先端のベースライン ソリューションと比較した場合、ダイナミクスに対する一貫した仮定により位置特定精度が向上することを示します。

要約(オリジナル)

Accurate maps are a prerequisite for virtually all mobile robot tasks. Most state-of-the-art maps assume a static world; therefore, dynamic objects are filtered out of the measurements. However, this division ignores movable but non-moving — i.e., semi-static — objects, which are usually recorded in the map and treated as static objects, violating the static world assumption and causing errors in the localization. This paper presents a method for consistently modeling moving and movable objects to match the map and measurements. This reduces the error resulting from inconsistent categorization and treatment of non-static measurements. A semantic segmentation network is used to categorize the measurements into static and semi-static classes, and a background subtraction filter is used to remove dynamic measurements. Finally, we show that consistent assumptions over dynamics improve localization accuracy when compared against a state-of-the-art baseline solution using real-world data from the Oxford Radar RobotCar data set.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google