Evolution of SLAM: Toward the Robust-Perception of Autonomy

要約

同時ローカリゼーションとマッピング (SLAM) は、自律ロボットが未確定の非構造化環境のマップを構築または更新すると同時に、その中のポーズを推定する問題です。
自動運転車への現在の傾向は、過去 30 年間にわたる堅牢な SLAM 技術の開発に影響を与えてきました。
この問題は、標準センサーまたはセンサー アレイ (超音波センサー、LIDAR、カメラ、Kinect RGB-D) をセンサ​​ー フュージョン技術と共に使用して認識ステップを達成することで解決されます。
センシング方法は、特徴を抽出する環境の仕様を考慮して決定されます。
次に、古典的なフィルターベースのアプローチ、視覚ベースの SLAM の一般的な方法であるグローバル最適化アプローチ、および深層学習ベースの SLAM などの畳み込みニューラルネットワークベースの方法の使用について説明し、ローカリゼーションとマッピングの問題を克服する方法を検討します。
.
アルゴリズムの長期的な自律性、パフォーマンス、およびその他の新しい方向性における堅牢性とスケーラビリティを相互に比較して整理します。
このホワイトペーパーでは、公開された以前の研究をセンサーからアルゴリズム開発までの判断的な観点から見て、未解決の課題と新しい研究フロンティアについて説明します。

要約(オリジナル)

Simultaneous localisation and mapping (SLAM) is the problem of autonomous robots to construct or update a map of an undetermined unstructured environment while simultaneously estimate the pose in it. The current trend towards self-driving vehicles has influenced the development of robust SLAM techniques over the last 30 years. This problem is addressed by using a standard sensor or a sensor array (Ultrasonic sensor, LIDAR, Camera, Kinect RGB-D) with sensor fusion techniques to achieve the perception step. Sensing method is determined by considering the specifications of the environment to extract the features. Then the usage of classical Filter-based approaches, the global optimisation approach which is a popular method for visual-based SLAM and convolutional neural network-based methods such as deep learning-based SLAM are discussed whereas considering how to overcome the localisation and mapping issues. The robustness and scalability in long-term autonomy, performance and other new directions in the algorithms compared with each other to sort out. This paper is looking at the published previous work with a judgemental perspective from sensors to algorithm development while discussing open challenges and new research frontiers.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google