多伦多大学等发布: 半静态环境下的概率对象感知变分SLAM

以下内容来自小六的机器人SLAM学习圈知识星球每日更新内容

点击领取学习资料 → 机器人SLAM学习资料大礼包

#论文##开源# RSS 2023|多伦多大学、慕尼黑工业大学等发布POV-SLAM: 半静态环境下的概率对象感知变分SLAM
【POV-SLAM: Probabilistic Object-Aware Variational SLAM in Semi-Static Environments】
文章链接：http://arxiv.org/abs/2307.00488

摘要—在缓慢变化的场景中，同时定位和建图（SLAM）对于长期机器人任务完成至关重要。未能检测到场景变化可能导致地图不准确，最终导致机器人丢失。传统的SLAM算法假设场景静态，最近的研究考虑了动态场景，但要求连续帧中观察到场景变化。半静态场景中，物体随时间出现、消失或缓慢移动，通常被忽视，然而它们对于长期操作至关重要。我们提出了一种对象感知的因子图SLAM框架，用于跟踪和重构半静态对象级别的变化。通过融合对象级别信息，我们的方法可以稳健地处理半静态场景，并在长时间内保持准确的地图。实验结果证明了我们提出的框架在处理缓慢变化场景方面的有效性和优越性。我们的工作为SLAM技术在具有多样化和动态环境的实际场景中的进展做出了贡献。

我们使用了一种新颖的变分期望最大化策略来优化包含高斯-均匀双峰测量似然函数的因子图，以处理可能变化的对象。我们在模拟环境中以及在我们自己捕获的一个仓库四个月的实际SLAM数据集上评估了我们的方法，并与最先进的SLAM解决方案进行了比较。我们的方法在存在半静态变化的情况下提高了定位的鲁棒性，并对场景进行了对象级别的推理。

以上内容来自小六的机器人SLAM学习圈知识星球每日更新内容