Tightly Coupled SLAM with Imprecise Architectural Plans

要約

屋内環境を移動するロボットは多くの場合、建築計画にアクセスでき、位置特定とマッピングの機能を強化するための事前知識として役立ちます。
一部の SLAM アルゴリズムは、現実世界の環境におけるグローバル ローカライゼーションのためにこれらの計画を利用していますが、通常、重要な課題を見落としています。それは、「計画どおりの」アーキテクチャ設計が、「構築された」現実世界の環境から頻繁に逸脱しているということです。
このギャップに対処するために、我々は、逸脱の存在下で LIDAR ベースの同時位置特定とマッピングを建築計画と緊密に結合する新しいアルゴリズムを提案します。
私たちの方法では、多層セマンティック表現を利用してロボットの位置を特定するだけでなく、「計画通り」の環境と構築された環境の間のグローバルな位置合わせと構造の偏差をリアルタイムで推定します。
私たちのアプローチを検証するために、シミュレートされたデータセットと実際のデータセットで実験を実行し、最大 35 cm、15 度の構造偏差に対する堅牢性を実証しました。
平均して、私たちの方法はシミュレートされた環境でベースラインよりも位置推定誤差が 43% 少ないことを達成していますが、実際の環境では、構築された 3D マップは平均位置合わせ誤差が 7% 低いことを示しています。

要約(オリジナル)

Robots navigating indoor environments often have access to architectural plans, which can serve as prior knowledge to enhance their localization and mapping capabilities. While some SLAM algorithms leverage these plans for global localization in real-world environments, they typically overlook a critical challenge: the ‘as-planned’ architectural designs frequently deviate from the ‘as-built’ real-world environments. To address this gap, we present a novel algorithm that tightly couples LIDAR-based simultaneous localization and mapping with architectural plans under the presence of deviations. Our method utilizes a multi-layered semantic representation to not only localize the robot, but also to estimate global alignment and structural deviations between ‘as-planned’ and as-built environments in real-time. To validate our approach, we performed experiments in simulated and real datasets demonstrating robustness to structural deviations up to 35 cm and 15 degrees. On average, our method achieves 43% less localization error than baselines in simulated environments, while in real environments, the as-built 3D maps show 7% lower average alignment error

arxiv情報

提供元, 利用サービス

arxiv.jp, Google