Map++: Towards User-Participatory Visual SLAM Systems with Efficient Map Expansion and Sharing

要約

正確な 3D マップの構築は、自動運転やナビゲーションなどの将来の地図ベースのシステムの開発にとって重要です。
ただし、立体駐車場やショッピング モールなどの複雑な環境でこれらのマップを生成することは、依然として困難な課題です。
このペーパーでは、地図作成タスクを地図ユーザーに委任することで、費用対効果が高く継続的なデータ収集を可能にする参加型センシング アプローチを紹介します。
提案された方法は、ユーザーの共同の努力を活用し、環境の進化に応じたマップの拡張と継続的な更新を容易にします。
私たちは、プラグアンドプレイ拡張機能として機能し、既存の SLAM アルゴリズムに基づいた参加型マップ構築をサポートする効率的なシステムである Map++ を開発することで、このアプローチを実現しました。
Map++ は、一連の軽量のアプリケーション層プロトコルを提案することで、この参加型地図構築システムにおける多くのスケーラビリティの問題に対処します。
私たちは、屋内ガレージ、屋外広場、公共 SLAM ベンチマーク、模擬環境という 4 つの代表的な環境で Map++ を評価しました。
結果は、Map++ がマッピング精度の低下を無視できる程度 (つまり、ベースライン システムと比較して 0.03 メートル未満) でトラフィック量を約 46% 削減できることを示しています。
同じネットワーク帯域幅で、ベースラインの約 2 倍の同時ユーザーをサポートできます。
さらに、すでにマップされた軌跡を移動するユーザーは、既存のマップをローカリゼーションに直接利用して、CPU 使用率を 47% 節約できます。

要約(オリジナル)

Constructing precise 3D maps is crucial for the development of future map-based systems such as self-driving and navigation. However, generating these maps in complex environments, such as multi-level parking garages or shopping malls, remains a formidable challenge. In this paper, we introduce a participatory sensing approach that delegates map-building tasks to map users, thereby enabling cost-effective and continuous data collection. The proposed method harnesses the collective efforts of users, facilitating the expansion and ongoing update of the maps as the environment evolves. We realized this approach by developing Map++, an efficient system that functions as a plug-and-play extension, supporting participatory map-building based on existing SLAM algorithms. Map++ addresses a plethora of scalability issues in this participatory map-building system by proposing a set of lightweight, application-layer protocols. We evaluated Map++ in four representative settings: an indoor garage, an outdoor plaza, a public SLAM benchmark, and a simulated environment. The results demonstrate that Map++ can reduce traffic volume by approximately 46% with negligible degradation in mapping accuracy, i.e., less than 0.03m compared to the baseline system. It can support approximately $2 \times$ as many concurrent users as the baseline under the same network bandwidth. Additionally, for users who travel on already-mapped trajectories, they can directly utilize the existing maps for localization and save 47% of the CPU usage.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google