Region Based SLAM-Aware Exploration: Efficient and Robust Autonomous Mapping Strategy That Can Scale

要約

未知の大規模環境をマッピングするための自律的な探査は、時間の効率性、マップの腐敗に対する安定性、および計算リソースに対する安定性が非常に重要であるロボット工学の基本的な課題です。
このペーパーでは、既存の方法でこれらの重要な問題に対処する屋内探査への新しいアプローチを紹介します。
環境を離散領域に分割する同時ローカリゼーションとマッピング（SLAM）アウェア地域ベースの探査戦略を導入し、ロボットが次の領域に移動する前に各領域を徐々に探索して安定させることができます。
このアプローチは、冗長な探索を大幅に削減し、全体的な効率を向上させます。
デバイスが地域の探索を終了して安定させると、スラムキーフレームの疎外も実行します。これは、変数を排除しながら問題の複雑さを削減しながら、重要な情報を維持します。
堅牢性を向上させ、効率をさらに向上させるために、障害の場合にロボットが最後の安定した領域から探索を再開できるようにするチェックポイントシステムを開発し、完全な再探索の必要性を排除します。
実際の家、オフィス、シミュレーションでテストされた私たちの方法は、最先端のアプローチを上回ります。
この改善は、さまざまな現実世界環境の大幅な強化を示しており、キーフレームの使用（85％）、サブマップの使用（50％、オフィス、32％の家）、グラフの最適化時間（78-80％）、および探検期間（10〜15％）が大幅に削減されます。
キーフレームの疎外を備えたこの地域ベースの戦略は、自律的なロボットマッピングのための効率的なソリューションを提供します。

要約(オリジナル)

Autonomous exploration for mapping unknown large scale environments is a fundamental challenge in robotics, with efficiency in time, stability against map corruption and computational resources being crucial. This paper presents a novel approach to indoor exploration that addresses these key issues in existing methods. We introduce a Simultaneous Localization and Mapping (SLAM)-aware region-based exploration strategy that partitions the environment into discrete regions, allowing the robot to incrementally explore and stabilize each region before moving to the next one. This approach significantly reduces redundant exploration and improves overall efficiency. As the device finishes exploring a region and stabilizes it, we also perform SLAM keyframe marginalization, a technique which reduces problem complexity by eliminating variables, while preserving their essential information. To improves robustness and further enhance efficiency, we develop a check- point system that enables the robot to resume exploration from the last stable region in case of failures, eliminating the need for complete re-exploration. Our method, tested in real homes, office and simulations, outperforms state-of-the-art approaches. The improvements demonstrate substantial enhancements in various real world environments, with significant reductions in keyframe usage (85%), submap usage (50% office, 32% home), pose graph optimization time (78-80%), and exploration duration (10-15%). This region-based strategy with keyframe marginalization offers an efficient solution for autonomous robotic mapping.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google