From SLAM to Situational Awareness: Challenges and Survey

要約

タイトル：SLAMから状況認識へ：課題と調査

要約：
– ロボットが環境に関する知識、つまり状況に応じて効率的かつ安全に複雑なミッションを実行する能力が限られている。
– 状況認識(SA)は、心理学、軍事、航空宇宙、教育など、さまざまな分野で深く研究されてきた人間の基本的な能力であるが、ロボティクスにおいてはまだ考慮されていない。
– したがって、本研究では、多くの学際的な知識を繋いで、ロボットのSAのための完全なシステムを構築することを目的としている。
– そこで、ロボットのSAを構成する主要なコンポーネントとその専門分野を定義し、SAの各側面を調査し、それら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、現在の制限について検討する。
– 現在のアルゴリズムの開発が特定の環境にしか対応できないため、SAの本質的な側面が未成熟である。
– しかし、人工知能（AI）と特にディープラーニング（DL）によって、現在の分野を分断している隔たりを埋める新しい方法が導入された。
– さらに、状況グラフ（S-Graph）というメカニズムを介して、ロボット理解アルゴリズムを広範につなぐための機会が発見された。
– 最後に、最近の研究方向について議論し、ロボット状況認識の将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