Towards Efficient Occupancy Mapping via Gaussian Process Latent Field Shaping

要約

占有マッピングは、モバイルロボット工学の重要なイネーブラーです。
もともと離散グリッド表現に基づいて、占有マッピングは、任意の場所で占有状態を予測できる連続表現に向かって進化し、近隣地域間の占有相関を考慮しています。
Gaussian Process（GP）は、占有空間と自由空間の観測の両方を使用して、このタスクをバイナリ分類問題として扱います。
概念的には、GP潜在フィールドがロジスティック関数を通過し、GP潜在フィールドを実際に操作することなく出力クラスを取得します。
この作業では、潜在機能に直接作用して、センサーの視野の形状に基づいて、自由空間情報を事前として効率的に統合することを提案します。
既存の方法との大きな違いは、自由空間と未知の空間を区別するため、分類問題の変化です。
「占有された」領域は、クラスが自由から未知のものに移行する無限に薄い場所です。
シミュレートされた環境で、私たちのアプローチは健全であり、競争の再構築の精度につながることを実証します。

要約(オリジナル)

Occupancy mapping has been a key enabler of mobile robotics. Originally based on a discrete grid representation, occupancy mapping has evolved towards continuous representations that can predict the occupancy status at any location and account for occupancy correlations between neighbouring areas. Gaussian Process (GP) approaches treat this task as a binary classification problem using both observations of occupied and free space. Conceptually, a GP latent field is passed through a logistic function to obtain the output class without actually manipulating the GP latent field. In this work, we propose to act directly on the latent function to efficiently integrate free space information as a prior based on the shape of the sensor’s field-of-view. A major difference with existing methods is the change in the classification problem, as we distinguish between free and unknown space. The `occupied’ area is the infinitesimally thin location where the class transitions from free to unknown. We demonstrate in simulated environments that our approach is sound and leads to competitive reconstruction accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google