Self-Assessment of Evidential Grid Map Fusion for Robust Motion Planning

要約

センサーの測定値が矛盾すると、自律ロボットの環境表現に大きな問題が生じます。
したがって、この論文では、矛盾するLiDARセンサー測定からのデータが融合された証拠グリッドマップの自己評価に取り組み、その後、これらの状況下でロバストな動作計画を行う方法について説明します。
まず、主観論理ベースの証拠グリッド マップに集約された矛盾する測定値が分類されます。
次に、自己評価フレームワークがこれらの競合を評価し、劣化スコアを計算することでシステム全体の重大度を推定します。
これにより、キャリブレーションエラーや不十分なセンサーセットアップの検出が可能になります。
他の動作計画アプローチとは対照的に、証拠となるグリッド マップから得られた情報は、提案された経路計画アルゴリズム内でさらに使用されます。
ここでは、現在の動作計画に対する矛盾する測定値の影響が評価され、矛盾するデータの影響下で経路を計画するための堅牢で興味深い経路計画戦略が導出されます。
これにより、著しく劣化した環境表現でもシステムの整合性が確実に維持され、計画タスクの不必要な中断を防ぐことができます。

要約(オリジナル)

Conflicting sensor measurements pose a huge problem for the environment representation of an autonomous robot. Therefore, in this paper, we address the self-assessment of an evidential grid map in which data from conflicting LiDAR sensor measurements are fused, followed by methods for robust motion planning under these circumstances. First, conflicting measurements aggregated in Subjective-Logic-based evidential grid maps are classified. Then, a self-assessment framework evaluates these conflicts and estimates their severity for the overall system by calculating a degradation score. This enables the detection of calibration errors and insufficient sensor setups. In contrast to other motion planning approaches, the information gained from the evidential grid maps is further used inside our proposed path-planning algorithm. Here, the impact of conflicting measurements on the current motion plan is evaluated, and a robust and curious path-planning strategy is derived to plan paths under the influence of conflicting data. This ensures that the system integrity is maintained in severely degraded environment representations which can prevent the unnecessary abortion of planning tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google