面向鲁棒感知时代的 SLAM 基准与方法刻画
机器人学
2019-05-21 v1 计算机视觉与模式识别
摘要
SLAM 基准的多样性使得对 SLAM 算法进行广泛测试以理解其性能（单独地或相对地）成为可能。这些基准的临时创建未必能在性能评估时揭示 SLAM 算法的特定弱点。本文中，我们提议使用决策树来识别对最先进 SLAM 算法而言具挑战性的基准属性，以及 SLAM 流水线中关乎处理这些挑战能力的重要组件。若我们要对鲁棒 SLAM 算法的核心计算需求建立深入理解，弄清特定序列的哪些因素相对于这些特征导致跟踪失败或退化是重要的。同样，我们认为在基准测试时对各个 SLAM 组件的计算性能进行剖析很重要。特别地，我们提倡在 ROS bag 回放期间使用时间膨胀，即我们所称的慢动作回放。使用慢动作来基准测试 SLAM 实例，可就 SLAM 实现应在计算组件层面如何改进提供线索。三种流行的 VO/SLAM 算法及我们自研的两种低延迟算法在由基准刻画生成的选定典型序列上受测，以进一步展示来自计算高效组件的收益。
引用
@article{arxiv.1905.07808,
title = {Characterizing SLAM Benchmarks and Methods for the Robust Perception Age},
author = {Wenkai Ye and Yipu Zhao and Patricio A. Vela},
journal= {arXiv preprint arXiv:1905.07808},
year = {2019}
}
备注
7 pages, 5 figures, accepted at ICRA 2019 Workshop on Dataset Generation and Benchmarking of SLAM Algorithms for Robotics and VR/AR