RHAML: Rendezvous-based Hierarchical Architecture for Mutual Localization

要約

相互位置特定は、マルチロボット システムにおける共同認識とタスク割り当ての基盤として機能します。
マーカーレスロボット間の相互位置特定のために、限られたオンボードセンサーを効果的に利用することは、価値のある目標です。
しかし、観察されるロボットの大規模な変動と位置特定の改良が不十分であるため、これまでの研究では、ロボットに RGB カメラのみが装備されている場合、精度が限られていることが示されました。
位置特定の精度を高めるために、この論文では相互位置特定のための新しいランデブーベースの階層アーキテクチャ (RHAML) を提案します。
まず、マルチスケール ロボットの特徴を学習するために、異方性畳み込みがネットワークに導入され、初期位置特定結果が得られます。
次に、レンダリングを伴う反復改良モジュールを使用して、観察されたロボットのポーズを調整します。
最後に、ポーズ グラフが実行され、マルチフレーム観察を考慮してすべての位置特定結果がグローバルに最適化されます。
したがって、要件に基づいて適切なモジュールを選択できる柔軟なアーキテクチャが提供されます。
シミュレーションでは、RHAML がマルチロボットの相互位置特定の問題に効果的に対処し、ロボットが 5 m の深さ変化を示した場合に、2 cm 未満の平行移動誤差と 0.5 度未満の回転誤差を達成することが実証されました。
さらに、マルチロボットが未知の環境を探索する際の地図融合に適用することで実用性を検証した。

要約(オリジナル)

Mutual localization serves as the foundation for collaborative perception and task assignment in multi-robot systems. Effectively utilizing limited onboard sensors for mutual localization between marker-less robots is a worthwhile goal. However, due to inadequate consideration of large scale variations of the observed robot and localization refinement, previous work has shown limited accuracy when robots are equipped only with RGB cameras. To enhance the precision of localization, this paper proposes a novel rendezvous-based hierarchical architecture for mutual localization (RHAML). Firstly, to learn multi-scale robot features, anisotropic convolutions are introduced into the network, yielding initial localization results. Then, the iterative refinement module with rendering is employed to adjust the observed robot poses. Finally, the pose graph is conducted to globally optimize all localization results, which takes into account multi-frame observations. Therefore, a flexible architecture is provided that allows for the selection of appropriate modules based on requirements. Simulations demonstrate that RHAML effectively addresses the problem of multi-robot mutual localization, achieving translation errors below 2 cm and rotation errors below 0.5 degrees when robots exhibit 5 m of depth variation. Moreover, its practical utility is validated by applying it to map fusion when multi-robots explore unknown environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google