宾夕法尼亚大学GRASP实验室发布“3D主动度量语义SLAM ”
#论文# RA-L(review)| 宾夕法尼亚大学GRASP实验室发布“3D主动度量语义SLAM ” 【3D Active Metric-Semantic SLAM】 文章链接：[2309.06950] 3D Active Metric-Semantic SLAM demo链接: https://www.youtube.com/watch?v=Kb3s3IJ-wNg 在本文中，我们解决了使用尺寸重量和功率( SWaP )约束的空中机器人对多层GPS缺失室内环境的探索和度量-语义建图的问题。先前在探索中的大多数工作都假设机器人定位是可以解决的。然而，忽略智能体的状态不确定性，无论是在结果图中还是在智能体自身的状态中，最终都会导致级联错误。此外，减少定位误差的行动可能与探索任务直接相关。我们提出了一个框架，该框架平衡了探索的效率和减少智能体状态不确定性的动作。 特别地，我们的主动度量语义SLAM算法是基于从原始问题数据中抽象出的稀疏信息构建的，以使其适用于SWa P受限的机器人。此外，我们将该框架集成在一个完全自主的空中机器人系统中，实现了在杂乱的3D环境中的自主探索。大量的真实实验表明，通过引入语义闭环( Semantic Loop Closure，SLC )，我们可以将机器人的位姿估计误差降低90 %以上(平移)和75 %左右(偏航)，位姿估计和语义地图的不确定性分别降低70 %和65 %以上。 虽然在室内多楼层探测的背景下进行了讨论，但我们的系统可以用于其他各种应用，如基础设施检查和精确农业，在这些应用中可能无法获得可靠的GPS数据。
