要約
自律エージェントは、センサー データに依存して環境の表現を構築します。これは、将来のイベントを予測し、行動を計画するために不可欠です。
ただし、センサーの測定には、範囲の制限、遮蔽、センサーのノイズという問題があります。
これらの課題は、非常に動的な環境ではより顕著になります。
この研究は、環境のどの部分が静的に占有され、どの部分が動的に占有されているかを共同で推論するための確率的フレームワークを提案しています。
私たちは問題をベイジアン ネットワークとして定式化し、問題の複雑さを大幅に軽減する最小限の仮定を導入します。
これらに基づいて、効率的な分析ソリューションである Transitional Grid Maps (TGM) を導き出します。
実際のデータを使用して、このアプローチが静的要素と動的要素の両方を追跡することでより良いマップを生成し、副作用として既存の SLAM アルゴリズムの改善にどのように役立つかを示します。
要約(オリジナル)
Autonomous agents rely on sensor data to construct representations of their environments, essential for predicting future events and planning their actions. However, sensor measurements suffer from limited range, occlusions, and sensor noise. These challenges become more evident in highly dynamic environments. This work proposes a probabilistic framework to jointly infer which parts of an environment are statically and which parts are dynamically occupied. We formulate the problem as a Bayesian network and introduce minimal assumptions that significantly reduce the complexity of the problem. Based on those, we derive Transitional Grid Maps (TGMs), an efficient analytical solution. Using real data, we demonstrate how this approach produces better maps by keeping track of both static and dynamic elements and, as a side effect, can help improve existing SLAM algorithms.
arxiv情報
著者 | José Manuel Gaspar Sánchez,Leonard Bruns,Jana Tumova,Patric Jensfelt,Martin Törngren |
発行日 | 2024-11-05 01:29:40+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google