An Object SLAM Framework for Association, Mapping, and High-Level Tasks

要約

オブジェクトSLAMは、ロボットの高度な知覚と意思決定にとってますます重要だと考えられています。既存の研究は、データ関連付け、オブジェクト表現、セマンティックマッピングの点で不十分であり、頻繁に追加の仮定に依存し、その性能を制限している。本論文では、オブジェクトベースの知覚とオブジェクト指向のロボットタスクに焦点を当てた、包括的なオブジェクトSLAMフレームワークを提示する。まず、パラメトリックとノンパラメトリックの統計的検定を取り入れることで、複雑な条件下でのオブジェクトの関連付けのためのアンサンブルデータ関連付けアプローチを提案する。さらに、iForestとラインアライメントに基づいてオブジェクトをモデル化するための外れ値にロバストなセントロイドとスケール推定アルゴリズムを提案する。そして、推定された一般的なオブジェクトモデルによって、軽量でオブジェクト指向の地図が表現される。オブジェクトの意味的不変性を考慮し、オブジェクトマップをトポロジカルマップに変換し、マルチマップマッチングを可能にするための意味的記述子を提供する。最後に、把持シナリオにおける自律的なマッピングを実現するために、オブジェクト駆動型の能動的探索戦略を提案する。マッピング、拡張現実、シーンマッチング、再定位、ロボット操作における様々な公開データセットと実世界の結果を用いて、提案するオブジェクトSLAMフレームワークの効率的な性能を評価した。

要約(オリジナル)

Object SLAM is considered increasingly significant for robot high-level perception and decision-making. Existing studies fall short in terms of data association, object representation, and semantic mapping and frequently rely on additional assumptions, limiting their performance. In this paper, we present a comprehensive object SLAM framework that focuses on object-based perception and object-oriented robot tasks. First, we propose an ensemble data association approach for associating objects in complicated conditions by incorporating parametric and nonparametric statistic testing. In addition, we suggest an outlier-robust centroid and scale estimation algorithm for modeling objects based on the iForest and line alignment. Then a lightweight and object-oriented map is represented by estimated general object models. Taking into consideration the semantic invariance of objects, we convert the object map to a topological map to provide semantic descriptors to enable multi-map matching. Finally, we suggest an object-driven active exploration strategy to achieve autonomous mapping in the grasping scenario. A range of public datasets and real-world results in mapping, augmented reality, scene matching, relocalization, and robotic manipulation have been used to evaluate the proposed object SLAM framework for its efficient performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL