Occupancy Grid Map to Pose Graph-based Map: Robust BIM-based 2D-LiDAR Localization for Lifelong Indoor Navigation in Changing and Dynamic Environments

要約

いくつかの研究では、ビルディング インフォメーション モデル (BIM モデル) から抽出された占有グリッド マップ (OGM) 内のロボットの位置を特定するために、事実上の標準の適応モンテカルロ位置特定 (AMCL) 手法に依存しています。
ただし、これらの研究のほとんどは、BIM モデルが現実世界を正確に表現していると想定していますが、それが真実であることはほとんどありません。
参照 BIM モデルと現実世界との間の不一致 (スキャン BIM 偏差) は、家具や散らかったものだけが原因ではなく、設計段階で作成されたモデルに存在する通常の計画どおりの偏差や完成時の偏差も原因となります。
これらの偏差は AMCL の精度に大きく影響します。
この論文では、変化する動的環境における堅牢な 2D-LiDAR 位置特定のために、BIM モデルから適切なポーズ グラフ ベースのマップを生成するオープンソースの方法を提案します。
まず、2D OGM が複雑な BIM モデルから自動的に生成されます。
これらの OGM は、屋内の自律ロボットのナビゲーションを可能にする構造要素のみを表します。
次に、効率的な手法により、これらの 2D OGM をポーズ グラフ ベースのマップに変換し、より正確なロボットの姿勢追跡を可能にします。
最後に、最先端のアルゴリズムを組み合わせて、さまざまな地図表現を活用して、正確かつ堅牢な位置特定を実現します。
さらに、さまざまなレベルの Scan-BIM 偏差と動的エージェントを使用した 3 つのシミュレートされたシナリオにおける、さまざまな最先端の位置特定アルゴリズムの定量的な比較を提供します。
より正確には、2 つの粒子フィルター (PF) アルゴリズム、AMCL と一般モンテカルロ位置推定 (GMCL) を比較します。
そして 2 つのグラフベース ローカリゼーション (GBL) メソッド: Google の Cartographer と SLAM Toolbox で、グローバル ローカリゼーションと姿勢追跡の問題を解決します。
多数の実験により、提案された方法が、変化する動的環境において、設計通りの BIM モデルまたは疎な OGM によるロバストな位置特定に貢献し、精度とロバスト性において従来の AMCL を上回ることが実証されています。

要約(オリジナル)

Several studies rely on the de facto standard Adaptive Monte Carlo Localization (AMCL) method to localize a robot in an Occupancy Grid Map (OGM) extracted from a building information model (BIM model). However, most of these studies assume that the BIM model precisely represents the real world, which is rarely true. Discrepancies between the reference BIM model and the real world (Scan-BIM deviations) are not only due to furniture or clutter but also the usual as-planned and as-built deviations that exist with any model created in the design phase. These deviations affect the accuracy of AMCL drastically. This paper proposes an open-source method to generate appropriate Pose Graph-based maps from BIM models for robust 2D-LiDAR localization in changing and dynamic environments. First, 2D OGMs are automatically generated from complex BIM models. These OGMs only represent structural elements allowing indoor autonomous robot navigation. Then, an efficient technique converts these 2D OGMs into Pose Graph-based maps enabling more accurate robot pose tracking. Finally, we leverage the different map representations for accurate, robust localization with a combination of state-of-the-art algorithms. Moreover, we provide a quantitative comparison of various state-of-the-art localization algorithms in three simulated scenarios with varying levels of Scan-BIM deviations and dynamic agents. More precisely, we compare two Particle Filter (PF) algorithms: AMCL and General Monte Carlo Localization (GMCL); and two Graph-based Localization (GBL) methods: Google’s Cartographer and SLAM Toolbox, solving the global localization and pose tracking problems. The numerous experiments demonstrate that the proposed method contributes to a robust localization with an as-designed BIM model or a sparse OGM in changing and dynamic environments, outperforming the conventional AMCL in accuracy and robustness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google