Range-based 6-DoF Monte Carlo SLAM with Gradient-guided Particle Filter on GPU

要約

このペーパーでは、勾配誘導粒子更新戦略を備えた範囲ベースのモンテカルロスラムを紹介します。
粒子フィルターなどのノンパラメトリック状態推定方法は、あいまいさの高い状況で堅牢ですが、次元の呪いによる高次元の問題には適さないことが知られています。
この問題に対処するために、尤度関数の勾配情報を使用して粒子をそのモードに向けて導くことにより、サンプリング効率を改善する粒子更新戦略を提案します。
さらに、メモリ消費を緩和するための過去のフレームのセット（つまり、キーフレーム）のセットとしてグローバルマップを表すキーフレームベースのマップ表現を導入します。
各粒子のキーフレームのポーズは、軌道の一貫性を維持するために、単純なループ閉鎖法を使用して修正されます。
勾配情報とキーフレームベースのマップ表現の組み合わせは、サンプリング効率を大幅に向上させ、従来のRBPFアプローチと比較してメモリの使用量を削減します。
多数の粒子（たとえば、100,000粒子など）をリアルタイムで処理するために、提案されたフレームワークはGPU並列処理を完全に活用するように設計されています。
実験結果は、提案された方法が曖昧さに対して極端な堅牢性を示し、センサーが最小限のヒューリスティックでエレベーターを介して異なる床に移動するときなど、誘n状況にさえ対処できることを示しています。

要約(オリジナル)

This paper presents range-based 6-DoF Monte Carlo SLAM with a gradient-guided particle update strategy. While non-parametric state estimation methods, such as particle filters, are robust in situations with high ambiguity, they are known to be unsuitable for high-dimensional problems due to the curse of dimensionality. To address this issue, we propose a particle update strategy that improves the sampling efficiency by using the gradient information of the likelihood function to guide particles toward its mode. Additionally, we introduce a keyframe-based map representation that represents the global map as a set of past frames (i.e., keyframes) to mitigate memory consumption. The keyframe poses for each particle are corrected using a simple loop closure method to maintain trajectory consistency. The combination of gradient information and keyframe-based map representation significantly enhances sampling efficiency and reduces memory usage compared to traditional RBPF approaches. To process a large number of particles (e.g., 100,000 particles) in real-time, the proposed framework is designed to fully exploit GPU parallel processing. Experimental results demonstrate that the proposed method exhibits extreme robustness to state ambiguity and can even deal with kidnapping situations, such as when the sensor moves to different floors via an elevator, with minimal heuristics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google