Data-Association-Free Landmark-based SLAM

要約

私たちは、未知のデータの関連付けを伴うランドマーク ベースの SLAM を研究しています。私たちのロボットは、完全に未知の環境をナビゲートし、自身の軌道、環境内の未知の数のランドマークの位置、および測定値とランドマーク間の潜在的なデータの関連付けを同時に推論する必要があります。
このセットアップは、(i) データ アソシエーションの障害から、または情報が乏しいセンサーを使用した SLAM から回復するときに発生するため、(ii) フロントに関係なく、ランドマーク ベースの SLAM 問題の基本的な制限 (および困難さ) に光を当てます。
データの関連付け方法を終了し、(iii) データの関連付けが既知または部分的に既知であると想定される既存のアプローチを一般化します。
この問題を、軌道、ランドマークの位置、およびデータの関連付けを推定する内部問題と、ランドマークの数を推定する外部問題に分割することでアプローチします。
私たちのアプローチは、離散連続最適化 (k-means クラスタリングなど) から既存の手法との有用で斬新な接続を作成し、新しい研究を引き起こす可能性があります。
広範なシミュレーションと実際のデータセットで提案されたアプローチを実証し、提案された手法が典型的なデータ関連付けベースラインよりも優れており、ランドマークの数と各ランドマークの初期推定にアクセスできるオラクル ベースラインに対しても競争力があることを示します。

要約(オリジナル)

We study landmark-based SLAM with unknown data association: our robot navigates in a completely unknown environment and has to simultaneously reason over its own trajectory, the positions of an unknown number of landmarks in the environment, and potential data associations between measurements and landmarks. This setup is interesting since: (i) it arises when recovering from data association failures or from SLAM with information-poor sensors, (ii) it sheds light on fundamental limits (and hardness) of landmark-based SLAM problems irrespective of the front-end data association method, and (iii) it generalizes existing approaches where data association is assumed to be known or partially known. We approach the problem by splitting it into an inner problem of estimating the trajectory, landmark positions and data associations and an outer problem of estimating the number of landmarks. Our approach creates useful and novel connections with existing techniques from discrete-continuous optimization (e.g., k-means clustering), which has the potential to trigger novel research. We demonstrate the proposed approaches in extensive simulations and on real datasets and show that the proposed techniques outperform typical data association baselines and are even competitive against an oracle baseline which has access to the number of landmarks and an initial guess for each landmark.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google