Online 6DoF Global Localisation in Forests using Semantically-Guided Re-Localisation and Cross-View Factor-Graph Optimisation

要約

このペーパーでは、深い意味的に誘導された再局在化とクロスビュー因子グラフの最適化を活用することにより、森林環境での地上ロボットの堅牢なグローバルローカリゼーションとオンライン6DOFポーズ推定のための新しいアプローチであるFGLOC6Dを紹介します。
提案された方法は、GPS分解環境での正確なポイントツーポイントナビゲーションに重要なポーズ推定のために、空中データと地上データを調整することの課題に対処します。
両方の視点から情報を因子グラフフレームワークに統合することにより、当社のアプローチは、ロボットのグローバルな位置とオリエンテーションを効果的に推定します。
さらに、意味的に誘導された回帰損失を組み込むことにより、森林におけるメトリック局在のための深い学習キーポイントの再現性を高めます。
この損失は、安定した識別可能な特徴として機能する木製の構造、例えば木の幹、それによりキーポイントの一貫性を改善し、再局在と呼ぶプロセスであるグローバル登録の成功率を向上させることを促進します。
再ローカリゼーションモジュールと、長期にわたる匂い測定と地盤から天体への因子が住む因子構造とともに、密な天蓋下でのグローバルな局在化が可能になります。
3つの森林シナリオでの広範な実験を通じて、この方法のパフォーマンスを検証し、これらの困難な環境での精度と堅牢性の点で、代替の最先端に対するグローバルなローカリゼーション能力と優位性を実証します。
実験結果は、提案された方法が、境界のある位置決めエラーを備えたドリフトフリーのローカリゼーションを実現し、密な森林を通して信頼できる安全なロボットナビゲーションを確保できることを示しています。

要約(オリジナル)

This paper presents FGLoc6D, a novel approach for robust global localisation and online 6DoF pose estimation of ground robots in forest environments by leveraging deep semantically-guided re-localisation and cross-view factor graph optimisation. The proposed method addresses the challenges of aligning aerial and ground data for pose estimation, which is crucial for accurate point-to-point navigation in GPS-degraded environments. By integrating information from both perspectives into a factor graph framework, our approach effectively estimates the robot’s global position and orientation. Additionally, we enhance the repeatability of deep-learned keypoints for metric localisation in forests by incorporating a semantically-guided regression loss. This loss encourages greater attention to wooden structures, e.g., tree trunks, which serve as stable and distinguishable features, thereby improving the consistency of keypoints and increasing the success rate of global registration, a process we refer to as re-localisation. The re-localisation module along with the factor-graph structure, populated by odometry and ground-to-aerial factors over time, allows global localisation under dense canopies. We validate the performance of our method through extensive experiments in three forest scenarios, demonstrating its global localisation capability and superiority over alternative state-of-the-art in terms of accuracy and robustness in these challenging environments. Experimental results show that our proposed method can achieve drift-free localisation with bounded positioning errors, ensuring reliable and safe robot navigation through dense forests.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google