Semantic Masking and Visual Feature Matching for Robust Localization

要約

私たちは、国際宇宙ステーションなどの環境で宇宙飛行士のメンテナンスや監視作業を支援する自律型ロボットの長期配備に興味を持っています。
残念ながら、そのような環境は非常に動的で構造化されていない傾向があり、頻繁に再構成されるため、ロボットの長期にわたる堅牢な位置特定が困難になります。
最先端の視覚特徴ベースの位置特定アルゴリズムの多くは、空間シーンの変化に対して堅牢ではなく、SLAM アルゴリズムは有望ではありますが、宇宙ロボットに利用できる低コンピューティング予算内では実行できません。
このギャップに対処するために、変化する環境での長期展開中の視覚ローカリゼーション システムの精度と堅牢性を向上させる、視覚的特徴マッチングのための計算効率の高いセマンティック マスキング アプローチを紹介します。
私たちの方法では、一致が長期静的オブジェクト内にあり、一貫したセマンティック クラスを持つように強制する軽量のチェックを導入しています。
マップベースの再位置推定と相対姿勢推定の両方を使用してこのアプローチを評価し、公開されている Astrobee データセットでの絶対軌道誤差 (ATE) と正しい一致率が改善されることを示します。
このアプローチはもともと微小重力ロボット フリーフライヤー用に開発されましたが、堅牢性を向上させるためにあらゆる視覚的特徴マッチング パイプラインに適用できます。

要約(オリジナル)

We are interested in long-term deployments of autonomous robots to aid astronauts with maintenance and monitoring operations in settings such as the International Space Station. Unfortunately, such environments tend to be highly dynamic and unstructured, and their frequent reconfiguration poses a challenge for robust long-term localization of robots. Many state-of-the-art visual feature-based localization algorithms are not robust towards spatial scene changes, and SLAM algorithms, while promising, cannot run within the low-compute budget available to space robots. To address this gap, we present a computationally efficient semantic masking approach for visual feature matching that improves the accuracy and robustness of visual localization systems during long-term deployment in changing environments. Our method introduces a lightweight check that enforces matches to be within long-term static objects and have consistent semantic classes. We evaluate this approach using both map-based relocalization and relative pose estimation and show that it improves Absolute Trajectory Error (ATE) and correct match ratios on the publicly available Astrobee dataset. While this approach was originally developed for microgravity robotic freeflyers, it can be applied to any visual feature matching pipeline to improve robustness.

arxiv情報

著者 Luisa Mao,Ryan Soussan,Brian Coltin,Trey Smith,Joydeep Biswas
発行日 2024-11-04 05:13:22+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO パーマリンク