Active Semantic Mapping and Pose Graph Spectral Analysis for Robot Exploration

要約

未知の非構造化環境での探索は、ロボット アプリケーションにとって極めて重要な要件です。
ロボットの探索動作は、本質的にその SLAM (Simultaneous Localization and Mapping) サブシステムのパフォーマンスに影響を受ける可能性がありますが、SLAM と探索は一般に別々に研究されます。
この論文では、探索をアクティブなマッピング問題として定式化し、それを意味論的な情報で拡張します。
私たちは、情報理論とスペクトル グラフ理論における最近の研究の進歩を活用した、新しいアクティブ メトリック – セマンティック SLAM アプローチを導入します。つまり、セマンティックな相互情報と、SLAM サブシステムの基礎となるポーズ グラフの接続メトリックを組み合わせます。
結果として得られる効用関数を使用してさまざまな軌道を評価し、探査中に最も有利な戦略を選択します。
探索および SLAM メトリクスは実験で分析されます。
Habitat データセットでアルゴリズムを実行すると、最先端の探査手法に近い効率を維持しながら、このアプローチにより、平均マップ エラーが 21% 削減され、メトリクス セマンティック SLAM のパフォーマンスが効果的に向上することがわかりました。
平均意味分類精度が 9% 向上しました。

要約(オリジナル)

Exploration in unknown and unstructured environments is a pivotal requirement for robotic applications. A robot’s exploration behavior can be inherently affected by the performance of its Simultaneous Localization and Mapping (SLAM) subsystem, although SLAM and exploration are generally studied separately. In this paper, we formulate exploration as an active mapping problem and extend it with semantic information. We introduce a novel active metric-semantic SLAM approach, leveraging recent research advances in information theory and spectral graph theory: we combine semantic mutual information and the connectivity metrics of the underlying pose graph of the SLAM subsystem. We use the resulting utility function to evaluate different trajectories to select the most favorable strategy during exploration. Exploration and SLAM metrics are analyzed in experiments. Running our algorithm on the Habitat dataset, we show that, while maintaining efficiency close to the state-of-the-art exploration methods, our approach effectively increases the performance of metric-semantic SLAM with a 21% reduction in average map error and a 9% improvement in average semantic classification accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google