分布式概率 SLAM 图中的增量抽象
计算机视觉与模式识别
2022-04-06 v2 机器人学
摘要
场景图以紧凑且语义丰富的方式表示场景的关键组成部分，但在增量 SLAM 操作中难以构建，原因在于鲁棒地识别抽象场景元素以及优化持续变化的复杂图均存在挑战。我们提出一个基于图的分布式 SLAM 框架，用于增量构建场景图，其基于两个新颖组件。首先，我们提出一种增量抽象框架，其中神经网络提出抽象场景元素，并将其并入基于特征的单目 SLAM 系统的因子图中。场景元素通过优化被确认或拒绝，并增量地替换点，从而产生更稠密、语义化且紧凑的表示。其次，借助于我们的新颖路由过程，我们使用高斯置信传播 (Gaussian Belief Propagation, GBP) 在图处理器上进行分布式推断。GBP 每次迭代的时间与结构无关，我们展示了其在异构因子图推断上相对于直接方法的速度优势。我们在真实室内数据集上使用平面抽象运行我们的系统，并以显著的压缩率恢复了主要平面。
引用
@article{arxiv.2109.06241,
title = {Incremental Abstraction in Distributed Probabilistic SLAM Graphs},
author = {Joseph Ortiz and Talfan Evans and Edgar Sucar and Andrew J. Davison},
journal= {arXiv preprint arXiv:2109.06241},
year = {2022}
}
备注
Published at ICRA 2022. Project page: https://joeaortiz.github.io/incremental_abstraction/