Unsupervised Change Detection for Space Habitats Using 3D Point Clouds

要約

この研究では、将来の宇宙生息地での自律的なロボットによる世話を可能にする、点群からのシーン変化検出のアルゴリズムを紹介します。
自律型ロボット システムは、ゲートウェイ宇宙ステーションなど、長期間無人になる将来の深宇宙生息地の維持に役立ちます。
国際宇宙ステーション (ISS) で使用されている既存のシーン分析ソフトウェアは、変化を検出するために手動でラベル付けされた画像に依存しています。
対照的に、この研究で提示されたアルゴリズムは、ラベルのない生の点群を入力として使用します。
このアルゴリズムは、まず、修正された期待値最大化ガウス混合モデル (GMM) クラスタリングを 2 つの入力点群に適用します。
次に、Earth Mover’s Distance を使用して GMM を比較することにより、変化検出を実行します。
このアルゴリズムは、NASA エイムズ花崗岩研究所の Astrobee ロボットによって収集されたテスト データセットを使用して定量的および定性的に検証されます。テスト データセットには、Astrobee によって直接取得された単一フレームの深度画像と、RGB-D で構築されたフルシーンの再構成マップと、Astrobee からのポーズ データが含まれます。
アプローチの実行時間も詳細に分析されます。
ソースコードはさらなる開発を促進するために公開されます。

要約(オリジナル)

This work presents an algorithm for scene change detection from point clouds to enable autonomous robotic caretaking in future space habitats. Autonomous robotic systems will help maintain future deep-space habitats, such as the Gateway space station, which will be uncrewed for extended periods. Existing scene analysis software used on the International Space Station (ISS) relies on manually-labeled images for detecting changes. In contrast, the algorithm presented in this work uses raw, unlabeled point clouds as inputs. The algorithm first applies modified Expectation-Maximization Gaussian Mixture Model (GMM) clustering to two input point clouds. It then performs change detection by comparing the GMMs using the Earth Mover’s Distance. The algorithm is validated quantitatively and qualitatively using a test dataset collected by an Astrobee robot in the NASA Ames Granite Lab comprising single frame depth images taken directly by Astrobee and full-scene reconstructed maps built with RGB-D and pose data from Astrobee. The runtimes of the approach are also analyzed in depth. The source code is publicly released to promote further development.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google