Probabilistic Qualitative Localization and Mapping

要約

位置推定とマッピングの同時実行 (SLAM) は、自律ナビゲーションなどの多数のロボット工学アプリケーションに不可欠です。
従来の SLAM アプローチは、環境のメトリック マップと共にロボットのメトリック状態を推測します。
既存のアルゴリズムは良好な結果を示しますが、測定ノイズ、センサーの品質、およびデータの関連付けの影響を受けやすく、依然として計算コストが高くなります。
あるいは、一部のナビゲーションおよびマッピング ミッションは、質的空間推論 (QSR) として知られるアプローチである質的幾何学的情報のみを使用して達成できます。
この作業では、新しい確率論的定性的ローカリゼーションとマッピングのアプローチに貢献します。
カメラのポーズの質的マップと質的状態の両方を推測します (ローカリゼーション)。
また、カメラのポーズ (モーション モデル) 間に定性的な確率的制約を初めて組み込むことで、計算時間とパフォーマンスを向上させます。
さらに、定性的推論特性を利用して、優れたパフォーマンスで非常に高速な近似アルゴリズムを実現します。
さらに、定性マップのノード間で確率的情報を伝播する方法を示します。これにより、推定パフォーマンスが向上し、目に見えないマップ ノードの推論が可能になります。これは、定性アクティブ プランニングの重要なビルディング ブロックです。
また、目に見えないノードをどれだけ正確に推定できるかを示す調査も実施しています。
私たちの方法は、顕著なランドマークがほとんどなく、センサーの品質が低いシナリオに特に適しています。
シミュレーションと現実世界のデータセットでアプローチを評価し、最先端技術と比較して優れたパフォーマンスと低複雑性を示します。
私たちの分析は、現実世界のシナリオで定性的なナビゲーションと計画を使用するための良い見通しも示しています。

要約(オリジナル)

Simultaneous localization and mapping (SLAM) are essential in numerous robotics applications, such as autonomous navigation. Traditional SLAM approaches infer the metric state of the robot along with a metric map of the environment. While existing algorithms exhibit good results, they are still sensitive to measurement noise, sensor quality, and data association and are still computationally expensive. Alternatively, some navigation and mapping missions can be achieved using only qualitative geometric information, an approach known as qualitative spatial reasoning (QSR). We contribute a novel probabilistic qualitative localization and mapping approach in this work. We infer both the qualitative map and the qualitative state of the camera poses (localization). For the first time, we also incorporate qualitative probabilistic constraints between camera poses (motion model), improving computation time and performance. Furthermore, we take advantage of qualitative inference properties to achieve very fast approximated algorithms with good performance. In addition, we show how to propagate probabilistic information between nodes in the qualitative map, which improves estimation performance and enables inference of unseen map nodes – an important building block for qualitative active planning. We also conduct a study that shows how well we can estimate unseen nodes. Our method particularly appeals to scenarios with few salient landmarks and low-quality sensors. We evaluate our approach in simulation and on a real-world dataset and show its superior performance and low complexity compared to the state-of-the-art. Our analysis also indicates good prospects for using qualitative navigation and planning in real-world scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google