Outlier-Robust Long-Term Robotic Mapping Leveraging Ground Segmentation

要約

深層学習ベースの知覚技術と同時位置特定とマッピング (SLAM) の目覚ましい進歩にも関わらず、ロボットがモデル化された経験の外のシナリオに遭遇すると、これらのアプローチの失敗に直面する可能性があります (ここで、モデリングという用語には、従来のパターン発見とデータの両方が含まれます)
主導的なアプローチ）。
特に、学習ベースの手法はトレーニングされていないシーンで運用すると致命的な障害を引き起こす傾向があるため、現実世界のロボット サービスや SLAM 競技会などのさまざまなシナリオですぐに使用できる、従来型でありながら堅牢なアプローチが依然として求められています。
さらに、時間の経過とともに変化する環境や移動する物体の存在を特徴とする現実世界の環境の動的な性質により、ロボットの位置特定や経路計画を妨げる望ましくないデータ ポイントが発生します。
したがって、マルチセッション SLAM や静的マップ構築など、長期的なマップ管理を可能にする方法論が不可欠になります。
したがって、すぐに使用できる堅牢な長期ロボットマッピングシステムを実現するために、私はまず、(i) 特徴がなく位置特定やマッピングに役に立たない地上点を拒否する、高速かつ堅牢な地上セグメンテーションを提案します。
次に、段階的非凸性 (GNC) の概念を採用することにより、(ii) 特徴照合結果内の重大な外れ値の存在を克服する地上セグメンテーションによる外れ値に強い位置合わせ、および (iii) 階層型マルチセッション SLAM を提案します。
提案した GNC ベースの登録を使用するだけでなく、外れ値ループ候補に対して堅牢である GNC ソルバーも使用します。
最後に、都市環境におけるほとんどの移動物体は必然的に地面と接触するという観察に基づいて、(iv) 環境内の移動物体の存在を処理できるインスタンス認識型静的マップ構築を提案します。

要約(オリジナル)

Despite the remarkable advancements in deep learning-based perception technologies and simultaneous localization and mapping (SLAM), one can face the failure of these approaches when robots encounter scenarios outside their modeled experiences (here, the term modeling encompasses both conventional pattern finding and data-driven approaches). In particular, because learning-based methods are prone to catastrophic failure when operated in untrained scenes, there is still a demand for conventional yet robust approaches that work out of the box in diverse scenarios, such as real-world robotic services and SLAM competitions. In addition, the dynamic nature of real-world environments, characterized by changing surroundings over time and the presence of moving objects, leads to undesirable data points that hinder a robot from localization and path planning. Consequently, methodologies that enable long-term map management, such as multi-session SLAM and static map building, become essential. Therefore, to achieve a robust long-term robotic mapping system that can work out of the box, first, I propose (i) fast and robust ground segmentation to reject the ground points, which are featureless and thus not helpful for localization and mapping. Then, by employing the concept of graduated non-convexity (GNC), I propose (ii) outlier-robust registration with ground segmentation that overcomes the presence of gross outliers within the feature matching results, and (iii) hierarchical multi-session SLAM that not only uses our proposed GNC-based registration but also employs a GNC solver to be robust against outlier loop candidates. Finally, I propose (iv) instance-aware static map building that can handle the presence of moving objects in the environment based on the observation that most moving objects in urban environments are inevitably in contact with the ground.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google