每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

利用全景激光雷达-摄像机融合的地面机器人进行复杂环境的语义探索和密集地图绘制

Created by
  • Haebom

作者

詹晓阳、周世新、杨倩倩、赵艺轩、刘浩、Srinivas Chowdary Ramineni、Kenji Shimada

大纲

本文提出了一个系统，该系统使用配备激光雷达全景摄像系统的地面机器人在复杂未知环境中执行自主语义导航和密集语义目标建图。现有方法往往难以在从多个视角收集高质量观测数据的需求与避免不必要的重复运动之间取得平衡。为了应对这一挑战，我们提出了一个结合建图和规划的完整系统。首先，我们将任务重新定义为完成几何覆盖和语义视点观测。然后，我们分别管理语义和几何视点，并提出一种新颖的基于优先级的不相交局部采样器来生成一组局部视点。这实现了明确的多视角语义检查和体素覆盖，而无需不必要的重复。基于此，我们开发了一个分层规划器，以确保高效的全局覆盖。我们还提出了一个安全、积极的探索状态机，允许积极的探索行为，同时确保机器人的安全。该系统包含一个即插即用的语义目标建图模块，该模块与最先进的 SLAM 算法无缝集成，可在点云级别执行密集语义目标建图。我们通过逼真的模拟和在复杂现实环境中的大量实验验证了所提出的方法。模拟结果表明，所提出的规划器在确保指定数量的多视点检查的同时，实现了更快的导航速度和更短的行驶距离。现场实验进一步验证了该系统在非结构化环境中实现精确、密集的语义对象映射的有效性。

Takeaways, Limitations

•
Takeaways：
◦
提出了一种在复杂环境中实现高效自主导航和语义映射的新系统。
◦
开发一种同时考虑多个视点观察和几何范围的有效规划算法。
◦
实现一个能够在保持安全的同时进行积极探索的状态机。
◦
通过模拟和真实实验验证系统性能。
◦
通过与最先进的 SLAM 算法无缝集成来提高地图绘制精度。
•
Limitations：
◦
所提出的系统的性能可能取决于所使用的 LiDAR 全景摄像机系统的性能。
◦
需要进行额外的验证来验证系统对各种环境条件（例如照明、天气）的稳健性。
◦
需要对系统在实际环境中长期运行的稳定性和耐用性进行进一步研究。
◦
高计算成本可能会使实时处理变得困难。
◦
需要进一步研究该系统对特定类型环境（例如极其狭窄或拥挤的环境）的适用性。
👍
Made with Slashpage