S-Graphs 2.0 — A Hierarchical-Semantic Optimization and Loop Closure for SLAM

要約

ローカリゼーションとマッピングに基づいた作業は、ロボットポーズとそのマップ要素をより高速かつ効率的な管理と最適化のために、環境からの固有のセマンティックリレーショナル情報を活用せず、多くの場合、大規模な環境での不正確さと計算の非効率性をもたらし、マッピングします。
環境を階層的に分配する3Dシーングラフ表現を活用して、基礎となるロボットポーズとそのマップの管理/最適化を強化することができます。
この方向には、効率的なデータ管理と最適化のために屋内シーンの階層構造を活用する作業状況グラフ2.0を提示します。
私たちのアルゴリズムは、キーフレーム、壁、部屋、床の4つのレイヤーに環境を整理する状況グラフを構築することから始まります。
私たちの最初のノベルティは、階段を識別し、床レベルのセマンティック関係を基礎となる層に割り当てることができるフロア検出モジュールを含むフロントエンドにあります。
このフロアレベルのセマンティックは、フロアベースのループ閉鎖戦略を可能にし、異なる床の視覚的に類似した領域での偽陽性ループ閉鎖を拒否します。
2番目の斬新さは、最適化の改善のために階層を利用することです。
（1）ローカル最適化、最近のキーフレームとその接続されたコンポーネントのウィンドウの最適化、（2）ループクロージャー中の現在の床内のキーフレームとその接続のみに焦点を当てた床 – グローバル最適化、および（3）部屋
– ローカルの最適化、部屋内の観測を共有する冗長な冗長キーフレームを疎外する。
さまざまな実際のマルチフロア環境でアルゴリズムを広範囲に検証します。
私たちのアプローチは、いくつかのベースラインが効率的に実行できない計算の複雑さを制限しながら、階層マップを作成する大規模なマルチフロア環境で最先端の結果を示すことができます。

要約(オリジナル)

Works based on localization and mapping do not exploit the inherent semantic-relational information from the environment for faster and efficient management and optimization of the robot poses and its map elements, often leading to pose and map inaccuracies and computational inefficiencies in large scale environments. 3D scene graph representations which distributes the environment in an hierarchical manner can be exploited to enhance the management/optimization of underlying robot poses and its map. In this direction, we present our work Situational Graphs 2.0, which leverages the hierarchical structure of indoor scenes for efficient data management and optimization. Our algorithm begins by constructing a situational graph that organizes the environment into four layers: Keyframes, Walls, Rooms, and Floors. Our first novelty lies in the front-end which includes a floor detection module capable of identifying stairways and assigning a floor-level semantic-relations to the underlying layers. This floor-level semantic enables a floor-based loop closure strategy, rejecting false-positive loop closures in visually similar areas on different floors. Our second novelty is in exploiting the hierarchy for an improved optimization. It consists of: (1) local optimization, optimizing a window of recent keyframes and their connected components, (2) floor-global optimization, which focuses only on keyframes and their connections within the current floor during loop closures, and (3) room-local optimization, marginalizing redundant keyframes that share observations within the room. We validate our algorithm extensively in different real multi-floor environments. Our approach can demonstrate state-of-art-art results in large scale multi-floor environments creating hierarchical maps while bounding the computational complexity where several baseline works fail to execute efficiently.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google