GAPSLAM: Blending Gaussian Approximation and Particle Filters for Real-Time Non-Gaussian SLAM

要約

SLAM における事後分布の推論は、位置特定とマッピングにおける不確実性を評価するだけでなく、安全な航行のために不確実性を低減することを目的とした後続の計画タスクをサポートするためにも重要です。
ただし、ガウス近似や粒子フィルターなどのリアルタイムの完全事後推論手法は、非ガウス事後を表現するための表現力に欠けているか、高次元事後を推定するときにパフォーマンスの低下に悩まされます。
ガウス近似と粒子フィルター$\unicode{x2013}$スケーラビリティと非ガウス推定のそれぞれの補完的な長所に触発され、これら 2 つのアプローチをブレンドして、SLAM で周辺事後を推論します。
具体的には、ガウス近似は、ランドマークの境界をサンプリングするために粒子フィルターが条件付けされるロボットの姿勢分布を提供します。
その代わりに、これらのサンプル間の最大事後点を使用して、ガウス近似の非線形最適化ソルバーの線形化点をリセットすることができ、全体最適の追求が容易になります。
現実世界の範囲のみの SLAM データセットとオブジェクトベースの方位のみの SLAM データセットに対するリアルタイムの完全事後推論のためのアルゴリズムのスケーラビリティ、一般化可能性、精度を実証します。

要約(オリジナル)

Inferring the posterior distribution in SLAM is critical for evaluating the uncertainty in localization and mapping, as well as supporting subsequent planning tasks aiming to reduce uncertainty for safe navigation. However, real-time full posterior inference techniques, such as Gaussian approximation and particle filters, either lack expressiveness for representing non-Gaussian posteriors or suffer from performance degeneracy when estimating high-dimensional posteriors. Inspired by the complementary strengths of Gaussian approximation and particle filters$\unicode{x2013}$scalability and non-Gaussian estimation, respectively$\unicode{x2013}$we blend these two approaches to infer marginal posteriors in SLAM. Specifically, Gaussian approximation provides robot pose distributions on which particle filters are conditioned to sample landmark marginals. In return, the maximum a posteriori point among these samples can be used to reset linearization points in the nonlinear optimization solver of the Gaussian approximation, facilitating the pursuit of global optima. We demonstrate the scalability, generalizability, and accuracy of our algorithm for real-time full posterior inference on realworld range-only SLAM and object-based bearing-only SLAM datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google