大型室内环境中 RGB-D SLAM 的评估
机器人学
2022-12-13 v1
摘要
同步定位与建图（SLAM）是旨在保障移动机器人在未知环境中自主导航的控制系统的关键组件之一。在多种实际情形下，机器人可能需要长距离行进以完成任务。这要求 SLAM 方法长期工作并构建大型地图。因此计算负担（包括地图存储的高内存消耗）成为瓶颈。事实上，最先进的 SLAM 算法包含特定技术与优化以应对该挑战，但其在长期场景中的性能仍需恰当评估。为此，我们对两种适用于长期导航的广泛应用的最先进 RGB-D SLAM 方法，即 RTAB-Map 和 Voxgraph，进行了实证评估。我们在一个由走廊与大厅组成的大型模拟室内环境中对它们进行评估，同时改变里程计噪声以更接近真实设置。我们对两种方法给出了定性与定量分析，揭示了各自的优劣。我们发现两种方法在低里程计噪声下可构建高质量地图，但在高里程计噪声下趋于失败。Voxgraph 相比 RTAB-Map 具有更低的相对轨迹估计误差与内存消耗，而其绝对误差更高。
引用
@article{arxiv.2212.05980,
title = {Evaluation of RGB-D SLAM in Large Indoor Environments},
author = {Kirill Muravyev and Konstantin Yakovlev},
journal= {arXiv preprint arXiv:2212.05980},
year = {2022}
}
备注
This is a pre-print of the paper accepted to ICR 2022 conference