Large-scale Autonomous Flight with Real-time Semantic SLAM under Dense Forest Canopy

要約

セマンティック マップは、意味的に意味のあるオブジェクトのセットを使用して環境を表します。
この表現はストレージ効率が高く、曖昧さが少なく、情報量が多いため、構造化されていない GPS が拒否された環境でも大規模な自律性と実用的な情報の取得を容易にします。
このレターでは、困難な樹冠下の環境で大規模な自律飛行とリアルタイムのセマンティック マッピングを実行できる統合システムを提案します。
LiDAR データから木の幹と地面を検出してモデル化します。これらはスキャン全体で関連付けられ、ロボットのポーズや木の幹モデルを制約するために使用されます。
自律航行モジュールは、マルチレベルのプランニングおよびマッピング フレームワークを利用し、動的に実行可能な軌道を計算します。これにより、UAV は計算とストレージの効率的な方法でユーザー定義の関心領域のセマンティック マップを構築します。
ドリフト補償メカニズムは、プランナーの最適性とコントローラーの安定性を維持しながら、セマンティック SLAM 出力をリアルタイムで使用してオドメトリのドリフトを最小限に抑えるように設計されています。
これにより、UAV はそのミッションを大規模かつ正確かつ安全に実行できるようになります。

要約(オリジナル)

Semantic maps represent the environment using a set of semantically meaningful objects. This representation is storage-efficient, less ambiguous, and more informative, thus facilitating large-scale autonomy and the acquisition of actionable information in highly unstructured, GPS-denied environments. In this letter, we propose an integrated system that can perform large-scale autonomous flights and real-time semantic mapping in challenging under-canopy environments. We detect and model tree trunks and ground planes from LiDAR data, which are associated across scans and used to constrain robot poses as well as tree trunk models. The autonomous navigation module utilizes a multi-level planning and mapping framework and computes dynamically feasible trajectories that lead the UAV to build a semantic map of the user-defined region of interest in a computationally and storage efficient manner. A drift-compensation mechanism is designed to minimize the odometry drift using semantic SLAM outputs in real time, while maintaining planner optimality and controller stability. This leads the UAV to execute its mission accurately and safely at scale.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google