論文の概要: Online LiDAR-SLAM for Legged Robots with Robust Registration and Deep-Learned Loop Closure

• arxiv url: http://arxiv.org/abs/2001.10249v1
• Date: Tue, 28 Jan 2020 10:30:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-06 03:00:50.991334
• Title: Online LiDAR-SLAM for Legged Robots with Robust Registration and Deep-Learned Loop Closure
• Title（参考訳）: ロバスト登録と深層ループ閉鎖を有するレッグロボットのためのオンラインLiDAR-SLAM
• Authors: Milad Ramezani, Georgi Tinchev, Egor Iuganov and Maurice Fallon
• Abstract要約: 本稿では,最先端の深い特徴に基づくループ閉包検出器を組み込んだ因子グラフLiDAR-SLAMシステムを提案する。 本システムは,LiDARセンサのみを使用し,四足歩行ロボットのナビゲーションPC上で動作させるために開発された。
• 参考スコア（独自算出の注目度）: 7.861777781616249
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present a factor-graph LiDAR-SLAM system which incorporates a state-of-the-art deeply learned feature-based loop closure detector to enable a legged robot to localize and map in industrial environments. These facilities can be badly lit and comprised of indistinct metallic structures, thus our system uses only LiDAR sensing and was developed to run on the quadruped robot's navigation PC. Point clouds are accumulated using an inertial-kinematic state estimator before being aligned using ICP registration. To close loops we use a loop proposal mechanism which matches individual segments between clouds. We trained a descriptor offline to match these segments. The efficiency of our method comes from carefully designing the network architecture to minimize the number of parameters such that this deep learning method can be deployed in real-time using only the CPU of a legged robot, a major contribution of this work. The set of odometry and loop closure factors are updated using pose graph optimization. Finally we present an efficient risk alignment prediction method which verifies the reliability of the registrations. Experimental results at an industrial facility demonstrated the robustness and flexibility of our system, including autonomous following paths derived from the SLAM map.
• Abstract（参考訳）: 本稿では,産業環境におけるロボットのローカライズとマップ化を実現するために,最先端の深層学習機能に基づくループクロージャ検出装置を組み込んだ因子グラフLiDAR-SLAMシステムを提案する。 これらの設備は、不明瞭な金属構造で構成されており、lidarセンシングのみを使用し、四足ロボットのナビゲーションpc上で動作するように開発された。 点雲はICP登録で整列する前に慣性運動状態推定器を用いて蓄積される。 ループを閉じるために、雲間の個々のセグメントにマッチするループ提案機構を使用します。 これらのセグメントにマッチするように、ディスクリプタをオフラインでトレーニングしました。 本手法の効率性は,ロボットのCPUのみを用いて,この深層学習手法をリアルタイムに展開することのできるパラメータ数を最小化するために,ネットワークアーキテクチャを慎重に設計することに由来する。 ポーズグラフの最適化により、オドメトリーとループ閉鎖係数のセットを更新する。 最後に,登録の信頼性を検証する効率的なリスクアライメント予測手法を提案する。 産業施設における実験結果は,slamマップからの自律追従経路を含む,システムのロバスト性と柔軟性を実証した。

関連論文リスト

• Modulating Reservoir Dynamics via Reinforcement Learning for Efficient Robot Skill Synthesis [0.0]
  貯水池と呼ばれるランダムなリカレントニューラルネットワークは、コンテキスト入力で条件付けられたロボットの動きを学習するために使用することができる。 本稿では,新しいRCベースのLearning from Demonstration(LfD)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-17T07:25:54Z)
• MAD-ICP: It Is All About Matching Data -- Robust and Informed LiDAR Odometry [2.0508169116681594]
  LiDARオドメトリー(LiDAR odometry)は、連続レーザースキャンからセンサーのエゴモーションを推定するタスクである。 これらのシステムのほとんどは、運用環境、使用するセンサー、動作パターンに関する仮定に暗黙的に依存している。 本稿では,これらの制限を克服し,異なる動作条件下でうまく動作可能なLiDARオドメトリーシステムを提案する。
  論文  参考訳（メタデータ） (2024-05-09T15:02:26Z)
• UnLoc: A Universal Localization Method for Autonomous Vehicles using LiDAR, Radar and/or Camera Input [51.150605800173366]
  UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。 本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
  論文  参考訳（メタデータ） (2023-07-03T04:10:55Z)
• Closing the loop: Autonomous experiments enabled by machine-learning-based online data analysis in synchrotron beamline environments [80.49514665620008]
  機械学習は、大規模または高速に生成されたデータセットを含む研究を強化するために使用できる。 本研究では,X線反射法(XRR)のための閉ループワークフローへのMLの導入について述べる。 本研究では,ビームライン制御ソフトウェア環境に付加的なソフトウェア依存関係を導入することなく,実験中の基本データ解析をリアルタイムで行うソリューションを提案する。
  論文  参考訳（メタデータ） (2023-06-20T21:21:19Z)
• IR-MCL: Implicit Representation-Based Online Global Localization [31.77645160411745]
  本稿では,室内環境におけるロボットの姿勢を2次元LiDARデータを用いて推定する問題に対処する。 ニューラルネットワークを用いてシーンを暗黙的に表現するためのニューラルネットワーク占有場(NOF)を提案する。 本研究では,最先端手法のローカライズ性能を超越したアプローチを用いて,ロボットを高精度かつ効率的にローカライズできることを示す。
  論文  参考訳（メタデータ） (2022-10-06T17:59:08Z)
• CT-ICP: Real-time Elastic LiDAR Odometry with Loop Closure [5.590924316241286]
  我々はCT-ICPと呼ばれる新しいリアルタイムLiDARオドメトリー法とループ閉鎖を伴う完全なSLAMを提案する。 登録はスキャン・トゥ・マップに基づいており、密度の高い点雲をスパース・ボクセルで構築した地図をリアルタイムで運用する。 提案手法のロバスト性を示すため,7つのデータセット上で実験を行った。
  論文  参考訳（メタデータ） (2021-09-27T12:08:26Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)
• Kimera-Multi: Robust, Distributed, Dense Metric-Semantic SLAM for Multi-Robot Systems [92.26462290867963]
  Kimera-Multiは、最初のマルチロボットシステムであり、不正なインターループとイントラロボットループの閉鎖を識別し拒否することができる。 我々は、フォトリアリスティックシミュレーション、SLAMベンチマークデータセット、地上ロボットを用いて収集された屋外データセットの挑戦において、Kimera-Multiを実証した。
  論文  参考訳（メタデータ） (2021-06-28T03:56:40Z)
• LCDNet: Deep Loop Closure Detection for LiDAR SLAM based on Unbalanced Optimal Transport [8.21384946488751]
  LiDAR ポイント クラウドのループ クロージャを効果的に検出する新しい LCDNet を紹介します。 LCDNetは、共有エンコーダ、グローバルディスクリプタを抽出する場所認識ヘッド、および2つの点雲間の変換を推定する相対ポーズヘッドで構成されています。 私たちのアプローチは、逆ループを扱う場合でも、最先端の技術を大きなマージンで上回る。
  論文  参考訳（メタデータ） (2021-03-08T20:19:37Z)
• Multi-scale Interaction for Real-time LiDAR Data Segmentation on an Embedded Platform [62.91011959772665]
  LiDARデータのリアルタイムセマンティックセグメンテーションは、自動運転車にとって不可欠である。 ポイントクラウド上で直接動作する現在のアプローチでは、複雑な空間集約操作を使用する。 本稿では,マルチスケールインタラクションネットワーク(MINet)と呼ばれるプロジェクションベースの手法を提案する。
  論文  参考訳（メタデータ） (2020-08-20T19:06:11Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。