論文の概要: FIT-SLAM -- Fisher Information and Traversability estimation-based
Active SLAM for exploration in 3D environments
- arxiv url: http://arxiv.org/abs/2401.09322v1
- Date: Wed, 17 Jan 2024 16:46:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-18 15:28:55.282772
- Title: FIT-SLAM -- Fisher Information and Traversability estimation-based
Active SLAM for exploration in 3D environments
- Title（参考訳）: FIT-SLAM -- 漁業情報とトラバーサビリティ推定に基づく3次元環境探査のためのアクティブSLAM
- Authors: Suchetan Saravanan, Corentin Chauffaut, Caroline Chanel, Damien Vivet
- Abstract要約: アクティブビジュアルSLAMは、地上ロボットのためのデニッドサブテレイン環境と屋外環境における幅広い応用を見出す。
探索ミッション中に目標選択と目標に向けた経路計画に知覚的考察を取り入れることが不可欠である。
本研究では,無人地上車両(UGV)を対象とした新しい探査手法であるFIT-SLAMを提案する。
- 参考スコア（独自算出の注目度）: 1.4474137122906163
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Active visual SLAM finds a wide array of applications in GNSS-Denied
sub-terrain environments and outdoor environments for ground robots. To achieve
robust localization and mapping accuracy, it is imperative to incorporate the
perception considerations in the goal selection and path planning towards the
goal during an exploration mission. Through this work, we propose FIT-SLAM
(Fisher Information and Traversability estimation-based Active SLAM), a new
exploration method tailored for unmanned ground vehicles (UGVs) to explore 3D
environments. This approach is devised with the dual objectives of sustaining
an efficient exploration rate while optimizing SLAM accuracy. Initially, an
estimation of a global traversability map is conducted, which accounts for the
environmental constraints pertaining to traversability. Subsequently, we
propose a goal candidate selection approach along with a path planning method
towards this goal that takes into account the information provided by the
landmarks used by the SLAM backend to achieve robust localization and
successful path execution . The entire algorithm is tested and evaluated first
in a simulated 3D world, followed by a real-world environment and is compared
to pre-existing exploration methods. The results obtained during this
evaluation demonstrate a significant increase in the exploration rate while
effectively minimizing the localization covariance.
- Abstract（参考訳）: アクティブビジュアルSLAMは、GNSS-Denied sub-terrain環境と地上ロボットのための屋外環境に幅広い応用を見出す。
ロバストなローカライゼーションとマッピング精度を達成するためには、探索ミッション中に目標の選択や経路計画に知覚的考慮を組み込むことが不可欠である。
本研究では,無人地上車両(UGV)に適した新しい探査手法であるFIT-SLAM(Fisher Information and Traversability Estimation-based Active SLAM)を提案する。
このアプローチは、SLAMの精度を最適化しながら、効率的な探索率を維持するという2つの目的によって考案された。
当初は, トラバーサビリティに関する環境制約を考慮したグローバルなトラバーサビリティマップの推定を行った。
そこで本稿では,SLAMバックエンドのランドマークから得られる情報を考慮し,ロバストなローカライゼーションとパス実行を実現するための経路計画手法とともに,目標候補選択手法を提案する。
このアルゴリズムはまずシミュレーションされた3D世界でテストされ評価され、続いて実世界の環境が続き、既存の探査手法と比較される。
この評価で得られた結果は, 局在共分散を効果的に最小化しつつ, 探査率の著しい増加を示した。
関連論文リスト
- AG-SLAM: Active Gaussian Splatting SLAM [26.602364433232445]
本稿では,3次元ガウススプラッティング(3DGS)を利用したオンラインシーン再構築システムAG-SLAMを提案する。
そこで本手法では,環境情報ゲインの最大化と局所化誤差の最小化という2つの目的を両立させる。
論文 参考訳（メタデータ） (2024-10-22T20:51:45Z) - Affordances-Oriented Planning using Foundation Models for Continuous Vision-Language Navigation [64.84996994779443]
本稿では,連続視覚言語ナビゲーション(VLN)タスクのためのAffordances-Oriented Plannerを提案する。
我々のAO-Plannerは、様々な基礎モデルを統合して、アベイランス指向の低レベルな動き計画とハイレベルな意思決定を実現する。
挑戦的なR2R-CEデータセットとRxR-CEデータセットの実験は、AO-Plannerが最先端のゼロショットのパフォーマンスを達成したことを示している。
論文 参考訳（メタデータ） (2024-07-08T12:52:46Z) - Probable Object Location (POLo) Score Estimation for Efficient Object
Goal Navigation [15.623723522165731]
本稿では,POLo(Probable Object Location)スコアを中心とした新しいフレームワークを提案する。
計算集約的なPOLoスコアを近似するためにトレーニングされたニューラルネットワークであるPOLoNetを導入することで、フレームワークの実用性をさらに向上する。
OVMM 2023チャレンジの第1フェーズを含む実験では,POLoNetを組み込んだエージェントが,幅広いベースライン手法を著しく上回ることを示した。
論文 参考訳（メタデータ） (2023-11-14T08:45:32Z) - SEAL: Simultaneous Exploration and Localization in Multi-Robot Systems [0.0]
本稿では,新しい同時探索と局所化手法を提案する。
相対的なローカライゼーションのために通信グラフ最適化を行いながら、最大探索に情報融合を用いる。
広範囲なROS-Gazeboシミュレーションにおける探索および位置決め性能のショートエッジ法より優れたSEAL
論文 参考訳（メタデータ） (2023-06-22T01:27:55Z) - Reinforcement Learning for Agile Active Target Sensing with a UAV [10.070339628481445]
本稿では,情報トラジェクトリを計画するための深層強化学習手法を開発する。
ターゲット状態に対する現在の信念を活用し、高忠実度分類のための不正確なセンサーモデルを含む。
提案手法の特異な特徴は,真の目標分布から様々な量の偏差が生じることにある。
論文 参考訳（メタデータ） (2022-12-16T01:01:17Z) - Incremental 3D Scene Completion for Safe and Efficient Exploration
Mapping and Planning [60.599223456298915]
本研究では,情報,安全,解釈可能な地図作成と計画に3次元シーン補完を活用することによって,深層学習を探索に統合する新しい手法を提案する。
本手法は,地図の精度を最小限に抑えることで,ベースラインに比べて環境のカバレッジを73%高速化できることを示す。
最終地図にシーン完了が含まれていなくても、ロボットがより情報的な経路を選択するように誘導し、ロボットのセンサーでシーンの測定を35%高速化できることが示される。
論文 参考訳（メタデータ） (2022-08-17T14:19:33Z) - Uncertainty-driven Planner for Exploration and Navigation [36.933903274373336]
未確認環境における探索とポイントゴールナビゲーションの問題点を考察する。
本論では,屋内マップよりも先進的な学習が,これらの問題に対処する上で大きなメリットをもたらすと論じている。
本稿では、まず、エージェントの視野を超えた占有マップを生成することを学習する新しい計画フレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-24T05:25:31Z) - Trajectory Design for UAV-Based Internet-of-Things Data Collection: A
Deep Reinforcement Learning Approach [93.67588414950656]
本稿では,無人航空機(UAV)による3D環境におけるIoT(Internet-of-Things)システムについて検討する。
本稿では,TD3-TDCTMアルゴリズムの完成時間最小化のためのトラジェクトリ設計を提案する。
シミュレーションの結果,従来の3つの非学習ベースライン法よりもTD3-TDCTMアルゴリズムの方が優れていることが示された。
論文 参考訳（メタデータ） (2021-07-23T03:33:29Z) - SOON: Scenario Oriented Object Navigation with Graph-based Exploration [102.74649829684617]
人間のように3Dエンボディ環境のどこからでも言語ガイドされたターゲットに向かって移動する能力は、インテリジェントロボットの「聖杯」目標の1つです。
ほとんどのビジュアルナビゲーションベンチマークは、ステップバイステップの詳細な命令セットに導かれ、固定された出発点から目標に向かって移動することに焦点を当てている。
このアプローチは、人間だけが物体とその周囲がどのように見えるかを説明する現実世界の問題から逸脱し、ロボットにどこからでも航行を依頼する。
論文 参考訳（メタデータ） (2021-03-31T15:01:04Z) - POMP: Pomcp-based Online Motion Planning for active visual search in
indoor environments [89.43830036483901]
本稿では, 屋内環境におけるオブジェクトのアクティブビジュアルサーチ(AVS)の最適ポリシーを, オンライン設定で学習する問題に焦点をあてる。
提案手法はエージェントの現在のポーズとRGB-Dフレームを入力として使用する。
提案手法を利用可能なAVDベンチマークで検証し,平均成功率0.76,平均パス長17.1とした。
論文 参考訳（メタデータ） (2020-09-17T08:23:50Z) - Object Goal Navigation using Goal-Oriented Semantic Exploration [98.14078233526476]
本研究は,未確認環境における対象カテゴリーのインスタンスにナビゲートするオブジェクトゴールナビゲーションの問題を研究する。
本稿では,表層的なセマンティックマップを構築し,効率的に環境を探索する「ゴール指向セマンティック探索」というモジュールシステムを提案する。
論文 参考訳（メタデータ） (2020-07-01T17:52:32Z)
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。