要約
この論文では、新しいオブジェクト認識アフォーダンスベースのコストマップに基づいた、LiDAR ベースのロボット ナビゲーション システムを紹介します。
3D オブジェクト検出ネットワークを利用する当社のシステムは、LiDAR キーフレーム内の対象オブジェクトを識別し、反復最近接点 (ICP) アルゴリズムで 3D ポーズを調整し、データ関連付けのためのカルマン フィルターとハンガリー アルゴリズムを介してオブジェクトを追跡します。
次に、既存のオブジェクトのポーズを新しい関連検出で更新し、一致しない検出に対して新しいオブジェクト マップを作成します。
維持されたオブジェクト レベルのマッピング システムを使用して、システムは経路計画におけるプロアクティブな衝突回避のためのアフォーダンス駆動のオブジェクト コストマップを作成します。
さらに、自動ラベル付け技術を導入することで、屋内のセマンティック LiDAR データの不足にも対処しています。
この方法では、CAD モデル データベースを利用して、LiDAR シーケンス内の各オブジェクトの境界ボックス、位置、方向、点単位のセマンティクスを含む正確なグラウンド トゥルース アノテーションを実現します。
シミュレートされたロボット プラットフォームと現実世界のロボット プラットフォームの両方で実施された広範な評価では、オブジェクト アフォーダンス コストマップを使用したプロアクティブなオブジェクト回避の有効性が強調され、ロボット ナビゲーションの安全性と効率が向上しました。
このシステムはオンボードでリアルタイムで動作することができ、コードとデータを一般公開する予定です。
要約(オリジナル)
In this paper, we introduce a LiDAR-based robot navigation system, based on novel object-aware affordance-based costmaps. Utilizing a 3D object detection network, our system identifies objects of interest in LiDAR keyframes, refines their 3D poses with the Iterative Closest Point (ICP) algorithm, and tracks them via Kalman filters and the Hungarian algorithm for data association. It then updates existing object poses with new associated detections and creates new object maps for unmatched detections. Using the maintained object-level mapping system, our system creates affordance-driven object costmaps for proactive collision avoidance in path planning. Additionally, we address the scarcity of indoor semantic LiDAR data by introducing an automated labeling technique. This method utilizes a CAD model database for accurate ground-truth annotations, encompassing bounding boxes, positions, orientations, and point-wise semantics of each object in LiDAR sequences. Our extensive evaluations, conducted in both simulated and real-world robot platforms, highlights the effectiveness of proactive object avoidance by using object affordance costmaps, enhancing robotic navigation safety and efficiency. The system can operate in real-time onboard and we intend to release our code and data for public use.
arxiv情報
| 著者 | Binbin Xu,Allen Tao,Hugues Thomas,Jian Zhang,Timothy D. Barfoot |
| 発行日 | 2024-08-30 06:07:58+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google