From SLAM to Situational Awareness: Challenges and Survey

要約

タイトル：SLAMからシチュエーショナル・アウェアネスへ：課題と調査

要約：

– モバイルロボットが環境、つまり状況に関する知識を持つことは、複雑なミッションを効率的かつ安全に行うために不可欠である。
– シチュエーショナル・アウェアネス（SA）は、心理学、軍事、航空宇宙、教育などのさまざまな分野で深く研究された人間の基本的な能力であるが、ロボティクスではこれまで考慮されていない。
– そこで、この論文では、多岐にわたる既存の知識をつなぎ合わせ、完全なロボティックSAシステムの構築のための基礎を確立することを目的とする。
– そのために、ロボットのSAの主要な要素とその能力範囲を定義し、それぞれの要素について、それをカバーする最新のロボティクスアルゴリズムを調査し、その現在の制限について議論する。
– しかし、SAの重要な側面のいくつかは、現在のアルゴリズム開発によって、特定の環境にしか対応できないため、まだ未成熟である。
– 人工知能（AI）特にディープラーニング（DL）は、これらの分野を現実世界のシナリオへ展開させるためのギャップを埋める新しい方法をもたらした。
– また、シチュエーショナルグラフ（S-Graph）という、有名なシーングラフの一般化機構を介して、ロボティック理解アルゴリズムの広く分散した空間を相互接続する機会が発見された。
– したがって、この論文では、最新の研究方向を論じることで、ロボティック・シチュエーショナル・アウェアネスの未来のビジョンを形成する。

要約(オリジナル)

The capability of a mobile robot to efficiently and safely perform complex missions is limited by its knowledge of the environment, namely the situation. Advanced reasoning, decision-making, and execution skills enable an intelligent agent to act autonomously in unknown environments. Situational Awareness (SA) is a fundamental capability of humans that has been deeply studied in various fields, such as psychology, military, aerospace, and education. Nevertheless, it has yet to be considered in robotics, which has focused on single compartmentalized concepts such as sensing, spatial perception, sensor fusion, state estimation, and Simultaneous Localization and Mapping (SLAM). Hence, the present research aims to connect the broad multidisciplinary existing knowledge to pave the way for a complete SA system for mobile robotics that we deem paramount for autonomy. To this aim, we define the principal components to structure a robotic SA and their area of competence. Accordingly, this paper investigates each aspect of SA, surveying the state-of-the-art robotics algorithms that cover them, and discusses their current limitations. Remarkably, essential aspects of SA are still immature since the current algorithmic development restricts their performance to only specific environments. Nevertheless, Artificial Intelligence (AI), particularly Deep Learning (DL), has brought new methods to bridge the gap that maintains these fields apart from the deployment to real-world scenarios. Furthermore, an opportunity has been discovered to interconnect the vastly fragmented space of robotic comprehension algorithms through the mechanism of Situational Graph (S-Graph), a generalization of the well-known scene graph. Therefore, we finally shape our vision for the future of robotic Situational Awareness by discussing interesting recent research directions.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI