BoxMap: 高效的结构化建图与导航
机器人学
2024-10-10 v1
摘要
虽然人类可以利用抽象概念成功导航，忽略与当前任务无关的细节，但大多数现有的机器人应用需要维护详细的环境表示，这消耗了大量的感知、计算和存储资源。这些问题在资源受限、功率预算有限的环境中尤为重要。深度学习方法可以从先验经验中学习，抽象出未知环境的知识，并更有效地执行任务（例如，前沿探索、物体搜索或场景理解）。我们提出了 BoxMap，一种基于 Detection-Transformer 的架构，它利用感知到的局部环境的结构，将环境的拓扑图更新为一组语义实体（例如，房间和门）及其关系（例如，连通性）。这些来自低级测量的预测随后可以被利用来实现高级目标，其计算成本低于基于详细表示的方法。作为一个示例应用，我们考虑一个配备二维激光扫描仪的机器人，其任务是探索住宅建筑。我们的 BoxMap 表示随房间数量呈二次方扩展（常数很小），与完整的几何地图相比，节省了大量资源。此外，我们的高级拓扑表示在探索任务中，与标准方法相比，轨迹缩短了 30.9%。
引用
@article{arxiv.2410.06263,
title = {BoxMap: Efficient Structural Mapping and Navigation},
author = {Zili Wang and Christopher Allum and Sean B. Andersson and Roberto Tron},
journal= {arXiv preprint arXiv:2410.06263},
year = {2024}
}
备注
This manuscript has been submitted to IEEE ICRA 2025