本文是 CVPR 2022入选论文《Multi-Robot Active Mapping via Neural Bipartite Graph Matching》的解读。该论文由北京大学陈宝权研究团队与山东大学、腾讯AI Lab、清华大学、斯坦福大学合作,将传统方法与机器学习相结合,提出了多机器人协同主动建图算法 NeuralCoMapping,实现了室内场景完整地图的高效构建。
构建室内场景的二维或三维地图是计算机视觉和机器人领域中的一项重要任务。机器人导航、增强现实等前沿应用都离不开场景地图的构建。在这个问题上,最原始的方法是派出技术人员,使用手持或车载传感器设备对场景进行人工扫描,随后将采集的数据合成成为场景地图。然而这样的方法严重依赖于技术人员的操作,很快被机器人自动建图的方法所取代。
主动建图(Active Mapping),即机器人在未知场景中主动地移动和采集数据从而自动化地构建场景地图的过程。该任务的难点在于如何高效地探索未知环境并构建完整的场景地图。传统算法大多基于贪心策略,因此效率有限;近几年基于机器学习的算法注重效率,然而无法保证地图的完整性。因此,我们将传统算法和机器学习相结合,同时吸取了传统算法地图完整度高和机器学习方法全局效率高的优点,提出了 NeuralCoMapping 算法。
实验证明,相比于其他多机协同建图算法,NeuralCoMapping 在时间效率上具有显著优势,而且在多种未知场景和不同数量机器人上表现出卓越的泛化能力。
专知便捷查看
便捷下载,请关注专知公众号(点击上方蓝色专知关注)
后台回复“MRAM” 就可以获取《【CVPR2022】多机器人协同主动建图算法》专知下载链接