FLAF: Focal Line and Feature-constrained Active View Planning for Visual Teach and Repeat

要約

このホワイトペーパーでは、FLAF、焦点ライン、およびモバイルロボットの機能ベースの視覚ナビゲーションにおける故障回避を追跡するための機能制約のアクティブビュー計画方法を紹介します。
FLAFベースの視覚ナビゲーションは、機能ベースのVisual Teach and Repeat（VT \＆R）フレームワークに基づいて構築されています。これは、毎日の自律ナビゲーション要件のかなりの部分をカバーするさまざまなパスをナビゲートするためにロボットを教えることにより、多くのロボットアプリケーションをサポートします。
ただし、人間が作成した環境でテクステルのない領域によって引き起こされる機能ベースの視覚的な同時ローカリゼーションとマッピング（VSLAM）の追跡障害は、VT \＆rが現実世界で採用されることを制限しています。
この問題に対処するために、提案されたビュープランナーは機能ベースのビジュアルスラムシステムに統合され、追跡障害を回避するアクティブなVT \＆rシステムを構築します。
私たちのシステムでは、パンチルトユニット（PTU）ベースのアクティブカメラがモバイルロボットに取り付けられています。
FLAFを使用して、アクティブなカメラベースのVSLAMは、ティーチングフェーズ中に動作して完全なパスマップを構築し、繰り返しフェーズで安定した局在化を維持します。
FLAFは、パス学習中のマッピング障害を回避し、学習した軌跡をたどりながら、ローカリゼーションに有益であるパス学習中のマッピング障害を回避するために、より多くのマップポイントにロボットをオレントします。
実際のシナリオでの実験は、FLAFが機能の同一性を考慮しない方法を上回ることを示しており、私たちのアクティブなVT \＆rシステムは、低テクスチャ領域を効果的に処理することにより、複雑な環境でうまく機能することを示しています。

要約(オリジナル)

This paper presents FLAF, a focal line and feature-constrained active view planning method for tracking failure avoidance in feature-based visual navigation of mobile robots. Our FLAF-based visual navigation is built upon a feature-based visual teach and repeat (VT\&R) framework, which supports many robotic applications by teaching a robot to navigate on various paths that cover a significant portion of daily autonomous navigation requirements. However, tracking failure in feature-based visual simultaneous localization and mapping (VSLAM) caused by textureless regions in human-made environments is still limiting VT\&R to be adopted in the real world. To address this problem, the proposed view planner is integrated into a feature-based visual SLAM system to build up an active VT\&R system that avoids tracking failure. In our system, a pan-tilt unit (PTU)-based active camera is mounted on the mobile robot. Using FLAF, the active camera-based VSLAM operates during the teaching phase to construct a complete path map and in the repeat phase to maintain stable localization. FLAF orients the robot toward more map points to avoid mapping failures during path learning and toward more feature-identifiable map points beneficial for localization while following the learned trajectory. Experiments in real scenarios demonstrate that FLAF outperforms the methods that do not consider feature-identifiability, and our active VT\&R system performs well in complex environments by effectively dealing with low-texture regions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google