Efficient Map Sparsification Based on 2D and 3D Discretized Grids

要約

事前に構築されたマップでのローカリゼーションは、ロボットの自律ナビゲーションの基本的な手法です。
既存のマッピングとローカリゼーションの方法は、通常、小規模な環境でうまく機能します。
ただし、マップが大きくなると、より多くのメモリが必要になり、ローカリゼーションが非効率になります。
これらの問題を解決するには、ローカリゼーションのために元のマップのサブセットを取得するために、マップのスパース化が実際に必要になります。
以前のマップのスパース化方法では、混合整数計画法に 2 次項が追加され、選択されたランドマークの均一な分布が強制されます。これには、大容量のメモリと大量の計算が必要です。
この論文では、効率的な線形形式でマップのスパース化を定式化し、2D 離散化グリッドに基づいて均一に分散されたランドマークを選択します。
さらに、以前の方法では考慮されていなかった、マッピングとクエリ シーケンス間の異なる空間分布の影響を軽減するために、3D 離散化グリッドに基づく空間制約条件も導入します。
さまざまなデータセットでの徹底的な実験は、効率とローカリゼーション パフォーマンスの両方で提案された方法の優位性を示しています。
関連するコードは、https://github.com/fishmarch/SLAM_Map_Compression でリリースされます。

要約(オリジナル)

Localization in a pre-built map is a basic technique for robot autonomous navigation. Existing mapping and localization methods commonly work well in small-scale environments. As a map grows larger, however, more memory is required and localization becomes inefficient. To solve these problems, map sparsification becomes a practical necessity to acquire a subset of the original map for localization. Previous map sparsification methods add a quadratic term in mixed-integer programming to enforce a uniform distribution of selected landmarks, which requires high memory capacity and heavy computation. In this paper, we formulate map sparsification in an efficient linear form and select uniformly distributed landmarks based on 2D discretized grids. Furthermore, to reduce the influence of different spatial distributions between the mapping and query sequences, which is not considered in previous methods, we also introduce a space constraint term based on 3D discretized grids. The exhaustive experiments in different datasets demonstrate the superiority of the proposed methods in both efficiency and localization performance. The relevant codes will be released at https://github.com/fishmarch/SLAM_Map_Compression.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google