GMMap：基于高斯混合模型的存储高效连续占据地图
机器人学
2024-01-23 v3
摘要
在需要紧凑三维环境地图以实现自主性的能耗受限机器人中，存储器访问的能耗主导了计算能耗。近期的建图框架仅关注减小地图尺寸，却因对每幅深度图像的多遍处理而在建图过程中产生显著的存储使用。本文提出一种存储高效的连续占据地图，名为 GMMap，其使用高斯混合模型（GMM）精确建模三维环境。存储高效的 GMMap 构建通过将深度图像单遍压缩为局部 GMM 并直接融合为全局一致地图来实现。通过扩展高斯混合回归以建模未探索区域，占据概率可直接由高斯计算。使用低功耗 ARM Cortex A57 CPU，GMMap 可以每秒最多 60 幅图像的实时速度构建。与已有工作相比，GMMap 在保持高精度的同时，将地图尺寸减少至少 56%、存储开销减少至少 88%、DRAM 访问减少至少 78%、能耗减少至少 69%。因此，GMMap 实现了能耗受限机器人上的实时三维建图。
引用
@article{arxiv.2306.03740,
title = {GMMap: Memory-Efficient Continuous Occupancy Map Using Gaussian Mixture Model},
author = {Peter Zhi Xuan Li and Sertac Karaman and Vivienne Sze},
journal= {arXiv preprint arXiv:2306.03740},
year = {2024}
}
备注
17 pages, 12 figures, 3 tables