Топологическое картирование помещений с использованием нейросетевой локализации и сопоставления сканов

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В статье представлен метод топологического картирования помещений, способный строить и обновлять граф локаций по облакам точек и одометрии без использования глобальных метрических координат. В данном методе для локализации в графе используется нейросетевое распознавание локации совместно с сопоставлением сканов по двумерным проекциям. Было проведено экспериментальное исследование предложенного подхода на нескольких фотореалистичных симуляционных средах, а также на данных с реального робота. В симуляции также проводится сравнение с лучшими современными методами топологического картирования. Результаты сравнения подтверждают, что предложенный метод значительно опережает остальные по навигационной эффективности, сохраняя связность графа, высокую площадь покрытия сцены и низкую долю неконсистентных ребер.

Об авторах

Кирилл Федорович Муравьев

Федеральный исследовательский центр «Информатика и управление» РАН

Автор, ответственный за переписку.
Email: muraviev@isa.ru

младший научный сотрудник

Россия, Москва

Список литературы

  1. Швец Е. А. Разработка моделей картирования и патрулирования коллективом беспилотных наземных роботов, использующих техническое зрение и эхолокацию: Автореф. Дисс. канд. техн. наук: [Место защиты: Институт проблем передачи информации им. А.А. Харкевича РАН]. – 2016. – 139 с //Режим доступа: http://iitp. ru/upload/content/1327/synopsis. pdf. – 2016.
  2. Боковой А. В. Исследование методов одновременного картирования и локализации беспилотных летательных аппаратов по видеопотоку, полученному с единственной камеры //Второй Всероссийский научно-практический семинар "Беспилотные транспортные средства с элементами искусственного интеллекта". – 2015. – С. 26-33.
  3. Labbé M., Michaud F. RTAB< Map as an open< source lidar and visual simultaneous localization and mapping library for large< scale and long< term online operation //Journal of field robotics. – 2019. – Vol. 36. – No. 2. – P. 416-446.
  4. Hess W. et al. Real-time loop closure in 2D LIDAR SLAM //2016 IEEE international conference on robotics and automation (ICRA). – IEEE, 2016. – P. 1271-1278.
  5. Muravyev K., Yakovlev K. Evaluation of RGB-D SLAM in large indoor environments //International Conference on Interactive Collaborative Robotics. – Cham: Springer International Publishing, 2022. – P. 93-104.
  6. Щеголева Л. В., Воронов Р. В. Построение дорожного графа для маршрутизации мобильного робота в замкнутой системе коридоров //Инженерный вестник Дона. – 2015. – Т. 37. – №. 3. – С. 43.
  7. Blochliger F. et al. Topomap: Topological mapping and navigation based on visual slam maps //2018 IEEE International Conference on Robotics and Automation (ICRA). – IEEE, 2018. – P. 3818-3825.
  8. Gomez C. et al. Hybrid topological and 3d dense mapping through autonomous exploration for large indoor environments //2020 IEEE International Conference on Robotics and Automation (ICRA). – IEEE, 2020. – P. 9673-9679.
  9. Schmid L. et al. A unified approach for autonomous volumetric exploration of large scale environments under severe odometry drift //IEEE Robotics and Automation Letters. – 2021. – Vol. 6. – No. 3. – P. 4504-4511.
  10. Chen X. et al. Fast 3D sparse topological skeleton graph generation for mobile robot global planning //2022 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). – IEEE, 2022. – P. 10283-10289.
  11. Hughes N., Chang Y., Carlone L. Hydra: A real-time spatial perception system for 3D scene graph construction and optimization //arXiv preprint arXiv:2201.13360. – 2022.
  12. Yuan Y., Schwertfeger S. Incrementally building topology graphs via distance maps //2019 IEEE International Conference on Real-time Computing and Robotics (RCAR). – IEEE, 2019. – P. 468-474.
  13. Kim N. et al. Topological semantic graph memory for image-goal navigation //Conference on Robot Learning. – PMLR, 2023. – P. 393-402.
  14. Kwon O. et al. Visual graph memory with unsupervised representation for visual navigation //Proceedings of the IEEE/CVF International Conference on Computer Vision. – 2021. – P. 15890-15899.
  15. Wiyatno R. R., Xu A., Paull L. Lifelong topological visual navigation //IEEE Robotics and Automation Letters. – 2022. – Vol. 7. – No. 4. – P. 9271-9278.
  16. Yin P. et al. General place recognition survey: Towards the real-world autonomy age //arXiv preprint arXiv:2209.04497. – 2022.
  17. Muravyev K., Yakovlev K. Evaluation of Topological Mapping Methods in Indoor Environments //IEEE Access. – 2023. – Vol. 11. – P. 132683-132698.
  18. Muravyev K. et al. PRISM-TopoMap: Online Topological Mapping with Place Recognition and Scan Matching
  19. //arXiv preprint arXiv:2404.01674. – 2024.
  20. Harris C. et al. A combined corner and edge detector //Alvey vision conference. – 1988. – Vol. 15. – No. 50. – P. 10-5244.
  21. Rublee E. et al. ORB: An efficient alternative to SIFT or SURF //2011 International conference on computer vision. – IEEE, 2011. – P. 2564-2571.
  22. Muja M., Lowe D. Flann-fast library for approximate nearest neighbors user manual //Computer Science Department, University of British Columbia, Vancouver, BC, Canada. – 2009. – Vol. 5. – P. 6.
  23. Komorowski J. Minkloc3d: Point cloud based large-scale place recognition //Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision. – 2021. – С. 1790-1799.
  24. Chang A. et al. Matterport3d: Learning from rgb-d data in indoor environments //arXiv preprint arXiv:1709.06158. – 2017.
  25. Bavle H. et al. S-graphs+: Real-time localization and mapping leveraging hierarchical representations //arXiv preprint arXiv:2212.11770. – 2022.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».