S-Graphs+: Real-time Localization and Mapping leveraging Hierarchical Representations

要約

このホワイト ペーパーでは、シチュエーション グラフの進化したバージョンを提示します。これは、関連する測定値とロボットの姿勢を含むロボット キーフレームのセットとして、単一の最適化可能なファクター グラフである SLAM グラフと 3D シーン グラフを共同でモデル化します。
セマンティック属性とそれらの要素間の関係情報を使用して、さまざまな幾何学的要素をエンコードする環境の高レベルの表現。
私たちが提案する S-Graphs+ は、以下を含む新しい 4 層のファクター グラフです。(1) ロボットの姿勢推定値を含むキーフレーム レイヤー、(2) 壁面を表す壁レイヤー、(3) 壁面のセットを含む部屋レイヤー、および
(4) 特定のフロア レベル内の部屋を集めたフロア レイヤー。
上のグラフはリアルタイムで最適化され、ロボットの姿勢とそのマップのロバストで正確な推定値を取得し、同時に環境の高レベルの情報を構築して活用します。
このような高レベルの情報を抽出するために、マッピングされた壁面と自由空間クラスターを利用した新しい部屋と床のセグメンテーション アルゴリズムを提示します。
S-Graphs+ は、さまざまな屋内環境のシミュレーション、複数の建設現場やオフィス環境でキャプチャされた実際のデータセット、屋内オフィス環境の実際の公開データセットなど、複数のデータセットでテストされました。
S-Graphs+ は、4 層のシーン モデルによってロボットの状況認識を拡張しながら、大部分のデータセットで関連するベースラインよりも優れています。
さらに、アルゴリズムを docker ファイルとして利用できるようにします。

要約(オリジナル)

In this paper, we present an evolved version of the Situational Graphs, which jointly models in a single optimizable factor graph, a SLAM graph, as a set of robot keyframes, containing its associated measurements and robot poses, and a 3D scene graph, as a high-level representation of the environment that encodes its different geometric elements with semantic attributes and the relational information between those elements. Our proposed S-Graphs+ is a novel four-layered factor graph that includes: (1) a keyframes layer with robot pose estimates, (2) a walls layer representing wall surfaces, (3) a rooms layer encompassing sets of wall planes, and (4) a floors layer gathering the rooms within a given floor level. The above graph is optimized in real-time to obtain a robust and accurate estimate of the robot’s pose and its map, simultaneously constructing and leveraging the high-level information of the environment. To extract such high-level information, we present novel room and floor segmentation algorithms utilizing the mapped wall planes and free-space clusters. We tested S-Graphs+ on multiple datasets including, simulations of distinct indoor environments, on real datasets captured over several construction sites and office environments, and on a real public dataset of indoor office environments. S-Graphs+ outperforms relevant baselines in the majority of the datasets while extending the robot situational awareness by a four-layered scene model. Moreover, we make the algorithm available as a docker file.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google