AVM-SLAM: Semantic Visual SLAM with Multi-Sensor Fusion in a Bird’s Eye View for Automated Valet Parking

要約

自動バレーパーキング (AVP) では、照明が不十分、テクスチャがまばら、繰り返しの構造、ダイナミックなシーン、全地球測位システム (GPS) 信号がないなどの困難なガレージ条件下での正確な位置特定が必要ですが、これは従来の位置特定方法では問題となることがよくあります。
これらの逆境に対処するために、鳥瞰図 (BEV) でのマルチセンサー フュージョンを備えたセマンティック ビジュアル SLAM フレームワークである AVM-SLAM を紹介します。
私たちのフレームワークには、4 つの魚眼カメラ、4 つのホイール エンコーダ、および慣性測定ユニット (IMU) が統合されています。
魚眼カメラはアラウンド ビュー モニター (AVM) サブシステムを形成し、BEV 画像を生成します。
畳み込みニューラル ネットワーク (CNN) は、これらの画像から意味論的な特徴を抽出し、マッピングとローカリゼーションのタスクに役立ちます。
これらのセマンティック機能は長期的な安定性と視点の不変性を提供し、環境上の課題を効果的に軽減します。
さらに、ホイール エンコーダと IMU からのデータ フュージョンにより、動き推定を改善しドリフトを低減することでシステムの堅牢性が向上します。
AVM-SLAM の有効性と堅牢性を検証するために、https://github.com/yale-cv/avm-slam で入手可能な大規模で高解像度の地下ガレージ データセットを提供しています。
このデータセットにより、研究者は同様の環境で AVM-SLAM をさらに調査し、評価することができます。

要約(オリジナル)

Automated Valet Parking (AVP) requires precise localization in challenging garage conditions, including poor lighting, sparse textures, repetitive structures, dynamic scenes, and the absence of Global Positioning System (GPS) signals, which often pose problems for conventional localization methods. To address these adversities, we present AVM-SLAM, a semantic visual SLAM framework with multi-sensor fusion in a Bird’s Eye View (BEV). Our framework integrates four fisheye cameras, four wheel encoders, and an Inertial Measurement Unit (IMU). The fisheye cameras form an Around View Monitor (AVM) subsystem, generating BEV images. Convolutional Neural Networks (CNNs) extract semantic features from these images, aiding in mapping and localization tasks. These semantic features provide long-term stability and perspective invariance, effectively mitigating environmental challenges. Additionally, data fusion from wheel encoders and IMU enhances system robustness by improving motion estimation and reducing drift. To validate AVM-SLAM’s efficacy and robustness, we provide a large-scale, high-resolution underground garage dataset, available at https://github.com/yale-cv/avm-slam. This dataset enables researchers to further explore and assess AVM-SLAM in similar environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google