Active Semantic Mapping and Pose Graph Spectral Analysis for Robot Exploration

要約

未知で非構造的な環境における探索は、ロボットアプリケーションにとって極めて重要な要件である。ロボットの探索動作は、SLAM（Simultaneous Localization and Mapping）サブシステムの性能に本質的に影響される可能性があるが、SLAMと探索は一般に別々に研究されている。本論文では、探索をアクティブマッピング問題として定式化し、意味情報を用いて拡張する。情報理論とスペクトルグラフ理論における最近の研究成果を活用し、新しいアクティブメトリック-セマンティックSLAMアプローチを導入する：セマンティック相互情報とSLAMサブシステムの基礎となるポーズグラフの接続メトリックを組み合わせる。得られた効用関数を用いて様々な軌道を評価し、探索中に最も有利な戦略を選択する。探索とSLAMのメトリクスを実験で分析する。本アルゴリズムをHabitatデータセット上で実行した結果、最先端の探索手法に近い効率を維持しつつ、本アプローチはメトリック意味的SLAMの性能を効果的に向上させ、平均マップ誤差を21％低減し、平均意味的分類精度を9％向上させることを示す。

要約(オリジナル)

Exploration in unknown and unstructured environments is a pivotal requirement for robotic applications. A robot’s exploration behavior can be inherently affected by the performance of its Simultaneous Localization and Mapping (SLAM) subsystem, although SLAM and exploration are generally studied separately. In this paper, we formulate exploration as an active mapping problem and extend it with semantic information. We introduce a novel active metric-semantic SLAM approach, leveraging recent research advances in information theory and spectral graph theory: we combine semantic mutual information and the connectivity metrics of the underlying pose graph of the SLAM subsystem. We use the resulting utility function to evaluate different trajectories to select the most favorable strategy during exploration. Exploration and SLAM metrics are analyzed in experiments. Running our algorithm on the Habitat dataset, we show that, while maintaining efficiency close to the state-of-the-art exploration methods, our approach effectively increases the performance of metric-semantic SLAM with a 21% reduction in average map error and a 9% improvement in average semantic classification accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL