jarxiv

要約

Slam（同時ローカリゼーションとマッピング）は、ロボットシステムの重要なコンポーネントであり、環境、現在の場所、ロボットの以前の軌跡を提供します。
3D Lidar Slamは近年注目すべき改善を受けていますが、2D Slamが遅れています。
匂い測定とポーズ推定の不正確さの漸進的なドリフトは、大規模な複雑な環境での最新の2Dライダーオドメトリアルゴリズムを妨げます。
固有の推定ベースのスラムプロセスと組み合わされた動的ロボットモーションは、ノイズとエラーを導入し、マップの品質を分解します。
占有グリッドマッピング（OGM）は、しばしば騒がしく不明確な結果を生成します。
これは、証拠に基づいたマッピングが不確実な観察に応じてマップを表すという事実によるものです。
これが、OGMが探索またはナビゲーションタスクで非常に人気がある理由です。
ただし、これにより、複雑なシーンでのフロアプランの作成など、特定のマッピングベースのタスクに対するOGMの有効性も制限されます。
これに対処するために、新しい変換と翻訳の占有グリッドマッピング（TT-GM）を提案します。
3D SLAMから2Dエラーの世界への正確で堅牢なポーズ推定技術を適応し、有効にし、生成敵対的ネットワーク（GAN）を使用してマップ品質を改善します。
Deep Renection Learning（DRL）を介して新しいデータ生成方法を導入して、SLAMエラー修正のためにGANをトレーニングするのに十分な大きさのデータセットを構築します。
Loughborough Universityで収集されたデータについてスラムをリアルタイムで実証します。
また、大規模な有名な2D占有マップのコレクションに関するさまざまな大規模な複雑な環境での一般化可能性を証明しています。
私たちの斬新なアプローチにより、複雑なシーンで高品質のOGMを作成することができ、品質、精度、信頼性の点で現在のスラムアルゴリズムの機能をはるかに上回ります。

要約(オリジナル)

SLAM (Simultaneous Localisation and Mapping) is a crucial component for robotic systems, providing a map of an environment, the current location and previous trajectory of a robot. While 3D LiDAR SLAM has received notable improvements in recent years, 2D SLAM lags behind. Gradual drifts in odometry and pose estimation inaccuracies hinder modern 2D LiDAR-odometry algorithms in large complex environments. Dynamic robotic motion coupled with inherent estimation based SLAM processes introduce noise and errors, degrading map quality. Occupancy Grid Mapping (OGM) produces results that are often noisy and unclear. This is due to the fact that evidence based mapping represents maps according to uncertain observations. This is why OGMs are so popular in exploration or navigation tasks. However, this also limits OGMs’ effectiveness for specific mapping based tasks such as floor plan creation in complex scenes. To address this, we propose our novel Transformation and Translation Occupancy Grid Mapping (TT-OGM). We adapt and enable accurate and robust pose estimation techniques from 3D SLAM to the world of 2D and mitigate errors to improve map quality using Generative Adversarial Networks (GANs). We introduce a novel data generation method via deep reinforcement learning (DRL) to build datasets large enough for training a GAN for SLAM error correction. We demonstrate our SLAM in real-time on data collected at Loughborough University. We also prove its generalisability on a variety of large complex environments on a collection of large scale well-known 2D occupancy maps. Our novel approach enables the creation of high quality OGMs in complex scenes, far surpassing the capabilities of current SLAM algorithms in terms of quality, accuracy and reliability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google