【泡泡一分钟】动态环境下的高效长时间建图

2019 年 2 月 1 日 泡泡机器人SLAM

每天一分钟,带你读遍机器人顶级会议文章

标题:Efficient Long-term Mapping in Dynamic Environments

作者:Mar‘a T. Ĺazaro, Roberto Capobianco and Giorgio Grisetti

来源:IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS),2018

编译:王丹

审核:颜青松,陈世浪

欢迎个人转发朋友圈;其他机构或自媒体如需转载,后台留言申请授权

摘要

随着自主机器人越来越多地被引入长时间运行的现实环境中,长时间建图的难点正引起机器人学研究界的关注。本文提出了一个完整的SLAM系统,能够跨单个或多个地图会话处理环境的动态性。

图1 系统框架


使用姿态图SLAM范例,系统以二维点云数据的形式处理局部地图,这些数据随时间更新以存储环境的最新状态。我们系统的核心是一个有效的基于ICP的对齐和合并程序,用于处理云中的非静态实体。此外,系统通过在鲁棒的会话间和会话内回环检测时移除过时的节点来保留图复杂度,同时通过使用压缩测量来保持图一致性。利用长期SLAM数据集中的真实数据进行实验,证明了该系统在长期机器人操作过程中建图问题的管理效率、准确性和有效性。

图2 将云点转为量程和方位测量。通过利用T变换云点,我们可以产生从那个位置看到的虚拟激光测量。图中,红色表示法线云点,蓝色线表示离散的承载箱,绿色点表示投影中选定的点。


图4 带有轨迹的2D云。 当前节点xk及其相关联的云用红色描绘,而紫色方块是表示节点xk和xk-1之间的轨迹部分的路径点。 相对变换xki,k存储在云中


图5 云合并。 左:具有属于不同会话的轨迹信息的两个云正在合并(红色:最旧的会话,绿色:当前会话)。 右:合并后生成的云。底部的红色框已被删除,因为新的观察确认“通过”它们,而顶部的新对象放在旧数据前面。 在此过程中也会合并轨迹信息

图7 在本地地图维护下运行高度动态的障碍物。a)创建的图和局部地图,其中考虑了动态实体的移除。b)投影在计算图形上的原始激光扫描。c)和d)放大高迁移率的人的区域

Abstract

As  autonomous  robots  are  increasingly  being  introduced in real-world environments operating for long periods of  time,  the  difficulties  of  long-term mapping  are  attracting the  attention  of  the  robotics  research  community.  This  paper proposes a full SLAM system capable of handling the dynamics of the environment across a single or multiple mapping sessions.

Using the pose graph SLAM paradigm, the system works on local maps in the form of 2D point cloud data which are updated over time to store the most up-to-date state of the environment.The  core  of  our  system  is  an  efficient  ICP-based  alignmen and merging procedure working on the clouds that copes with non-static entities of the environment. Furthermore, the system retains  the  graph  complexity  by  removing  out-dated  nodes upon  robust  inter-  and  intra-session  loop  closure  detections while  graph  coherency  is  preserved  by  using  condensed  measurements.  Experiments  conducted  with  real  data  from  long-term SLAM datasets demonstrate the efficiency, accuracy and effectiveness of our system in the management of the mapping problem  during  long-term  robot  operation.


如果你对本文感兴趣,想要下载完整文章进行阅读,可以关注【泡泡机器人SLAM】公众号(paopaorobot_slam)

欢迎来到泡泡论坛,这里有大牛为你解答关于SLAM的任何疑惑。

有想问的问题,或者想刷帖回答问题,泡泡论坛欢迎你!

泡泡网站:www.paopaorobot.org

泡泡论坛:http://paopaorobot.org/bbs/


泡泡机器人SLAM的原创内容均由泡泡机器人的成员花费大量心血制作而成,希望大家珍惜我们的劳动成果,转载请务必注明出自【泡泡机器人SLAM】微信公众号,否则侵权必究!同时,我们也欢迎各位转载到自己的朋友圈,让更多的人能进入到SLAM这个领域中,让我们共同为推进中国的SLAM事业而努力!

商业合作及转载请联系liufuqiang_robot@hotmail.com

登录查看更多
6

相关内容

即时定位与地图构建(SLAM或Simultaneouslocalizationandmapping)是这样一种技术:使得机器人和自动驾驶汽车等设备能在未知环境(没有先验知识的前提下)建立地图,或者在已知环境(已给出该地图的先验知识)中能更新地图,并保证这些设备能在同时追踪它们的当前位置。
【CVPR2020】视觉推理-可微自适应计算时间
专知会员服务
12+阅读 · 2020年4月28日
专知会员服务
86+阅读 · 2019年12月13日
【泡泡一分钟】变化环境下激光地图辅助视觉惯性定位
泡泡机器人SLAM
15+阅读 · 2019年5月22日
【泡泡一分钟】利用四叉树加速的单目实时稠密建图
泡泡机器人SLAM
28+阅读 · 2019年4月26日
【泡泡一分钟】DS-SLAM: 动态环境下的语义视觉SLAM
泡泡机器人SLAM
23+阅读 · 2019年1月18日
【泡泡一分钟】CVI-SLAM –协同视觉惯性SLAM
泡泡机器人SLAM
21+阅读 · 2018年12月18日
【泡泡一分钟】动态环境下稳健的单目SLAM
泡泡机器人SLAM
13+阅读 · 2018年3月22日
Real-time Scalable Dense Surfel Mapping
Arxiv
5+阅读 · 2019年9月10日
Monocular Plan View Networks for Autonomous Driving
Arxiv
6+阅读 · 2019年5月16日
Joint Monocular 3D Vehicle Detection and Tracking
Arxiv
8+阅读 · 2018年12月2日
Structure Aware SLAM using Quadrics and Planes
Arxiv
4+阅读 · 2018年8月13日
VIP会员
相关资讯
【泡泡一分钟】变化环境下激光地图辅助视觉惯性定位
泡泡机器人SLAM
15+阅读 · 2019年5月22日
【泡泡一分钟】利用四叉树加速的单目实时稠密建图
泡泡机器人SLAM
28+阅读 · 2019年4月26日
【泡泡一分钟】DS-SLAM: 动态环境下的语义视觉SLAM
泡泡机器人SLAM
23+阅读 · 2019年1月18日
【泡泡一分钟】CVI-SLAM –协同视觉惯性SLAM
泡泡机器人SLAM
21+阅读 · 2018年12月18日
【泡泡一分钟】动态环境下稳健的单目SLAM
泡泡机器人SLAM
13+阅读 · 2018年3月22日
Top
微信扫码咨询专知VIP会员