卢森堡大学提出基于图全局机器人定位：情境图与架构图的交互式信息传递
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# Graph-based Global Robot Localization Informing Situational Graphs with Architectural Graphs
论文地址：https://arxiv.org/abs/2305.09295
作者单位：卢森堡大学
在本文中，我们提出了一种基于体系结构规划的腿部机器人定位方案。我们对这一目标的具体贡献有几点。首先，我们开发了一种将建筑平面图转换为我们所表示的建筑图形(A-Graph)的方法。当机器人开始在环境中移动时，我们假设它对此一无所知，并估计其周围环境的在线态势图表示(S-Graph)。我们开发了一种新的图对图匹配方法，以将从机器人传感器在线估计的S-图与从建筑平面图中提取的AG图相关联。注意这方面的挑战，因为S图可能显示整个A图的部分视图，它们的节点是不同的，并且它们的参考帧是不同的。在匹配之后，两个图被对齐和合并，从而产生我们所表示的知情情景图(IS-Graph)，通过它我们实现了机器人的全局定位和利用建筑计划中的先验知识。实验表明，与几种LiDAR定位基线相比，我们的方法具有更高的稳健性和更低的位姿误差。
我们的方法可以分为三个主要阶段。在第一个图中，为给定的环境创建了一个A-Graph，其中节点代表BIM模型中可用的语义特征，特别是墙面、门和房间作为图节点，边缘包含相关的关系信息，例如包括一面墙的两个墙面、连接房间的四个墙面和通过门连接的房间。在第二阶段，在机器人上实时运行，使用3D激光雷达测量来估计S-Graph。我们的S-Graph的节点对应于诸如墙面和房间之类的语义，边对应于这些墙面和相关房间节点之间的约束。最后，为了在这种环境中定位机器人，提出了一种图匹配算法，利用来自两个图的分层信息来提供最佳匹配候选者，最终产生融合两者信息的iSGraphs，最后一张图将用于全局定位。
本文主要贡献如下：
1、基于BIM模型构建的分层优化A-Graph，扩展S-Graph因子，具有新颖的墙壁和门口因子。
2、A-图和s -图之间的一种新的分层图匹配。
3、生成iS-Graphs，通过A-Graph和S-Graph的融合实现基于图形的机器人全局定位。
4、在不同建筑工地收集的模拟和真实数据集上验证所提出的解决方案，获得最先进的结果。
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
