Real-time Localization and Mapping in Architectural Plans with Deviations

要約

環境についての事前知識があると、ロボットの位置特定とマッピングの精度が向上します。
文献にあるいくつかのアプローチでは、この点で建築計画が利用されています。
ただし、そのほとんどすべてが、実際の構築された環境と計画どおりのアーキテクチャ設計との間の偏差を見逃しており、推定にバイアスが生じています。
この問題に対処するために、逸脱が存在する場合でも建築計画からの事前知識を統合する、逸脱情報に基づいた状況グラフまたは diS グラフと呼ばれる新しい位置特定およびマッピング方法を提案します。
これは、環境の幾何学的モデルと 3D シーン グラフを結合して、多層の共同最適化可能なファクター グラフを作成する状況グラフ (S-Graph) に基づいています。
私たちの diS-Graph は、最初に建築計画を階層的要因グラフとしてモデル化することによって、建築計画から情報を抽出します。これを建築グラフ (A-Graph) と呼びます。
ロボットは実際の環境を探索しながら、搭載センサーから S グラフを推定します。
次に、新しいマッチング アルゴリズムを使用して A グラフと S グラフを同じ参照に登録し、両方を明示的な偏差モデルとマージします。
最後に、交互のグラフ最適化戦略により、グローバルな位置特定とマッピング、および A グラフと S グラフの両方の間の偏差推定を同時に行うことができます。
偏差が存在する場合、シミュレートされたデータセットと実際のデータセットでいくつかの実験を実行します。
平均して、当社の diS-Graphs は、シミュレーション環境ではベースラインを約 43%、実際の環境では 7% 上回り、最大 35 cm、15 度の偏差を推定できます。

要約(オリジナル)

Having prior knowledge of an environment boosts the localization and mapping accuracy of robots. Several approaches in the literature have utilized architectural plans in this regard. However, almost all of them overlook the deviations between actual as-built environments and as-planned architectural designs, introducing bias in the estimations. To address this issue, we present a novel localization and mapping method denoted as deviations-informed Situational Graphs or diS-Graphs that integrates prior knowledge from architectural plans even in the presence of deviations. It is based on Situational Graphs (S-Graphs) that merge geometric models of the environment with 3D scene graphs into a multi-layered jointly optimizable factor graph. Our diS-Graph extracts information from architectural plans by first modeling them as a hierarchical factor graph, which we will call an Architectural Graph (A-Graph). While the robot explores the real environment, it estimates an S-Graph from its onboard sensors. We then use a novel matching algorithm to register the A-Graph and S-Graph in the same reference, and merge both of them with an explicit model of deviations. Finally, an alternating graph optimization strategy allows simultaneous global localization and mapping, as well as deviation estimation between both the A-Graph and the S-Graph. We perform several experiments in simulated and real datasets in the presence of deviations. On average, our diS-Graphs outperforms the baselines by a margin of approximately 43% in simulated environments and by 7% in real environments, while being able to estimate deviations up to 35 cm and 15 degrees.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google