以下內(nèi)容來自小六的機器人SLAM學習圈知識星球每日更新內(nèi)容

點擊領取學習資料 → 機器人SLAM學習資料大禮包

#論文# Global Localization in Unstructured Environments using Semantic Object Maps Built from Various Viewpoints

論文地址：https://arxiv.org/abs/2303.04658

作者單位：麻省理工學院 ?

? 我們提出了一種新的框架，用于在非結構化環(huán)境中對車輛進行全局定位和引導重新定位。與現(xiàn)有方法相比，我們的方法不依賴于城市設施（例如車道標記、建筑物）的提示，也不要求車輛在道路網(wǎng)絡上行駛的假設。相反，我們通過將車輛的局部語義對象圖與緊湊的語義參考圖牢固地關聯(lián)和匹配，實現(xiàn)了城市和非城市環(huán)境中的定位。通過我們的基于圖的數(shù)據(jù)關聯(lián)算法實現(xiàn)了對噪聲、異常值和丟失對象的魯棒性。

? 此外，我們方法的引導重定位能力減輕了初始全局定位后基于里程計的定位中固有的漂移。我們在兩個公開可用的真實世界數(shù)據(jù)集上評估了我們的方法，以證明其在非城市和城市環(huán)境中的定位的有效性。Katwijk Beach Planetary Rover數(shù)據(jù)集用于展示我們的方法在非結構化環(huán)境中執(zhí)行精確全局定位的能力。當在從航空圖像創(chuàng)建的參考地圖中進行定位時，KITTI數(shù)據(jù)集上的演示在序列00上的所有35個定位事件中實現(xiàn)了3.8 m的平均姿態(tài)誤差。與現(xiàn)有工作相比，我們的方法更通用，因為它可以使用從不同視角構建的地圖，在非結構化環(huán)境中執(zhí)行全局定位。

本文貢獻如下：

1、由于其基于圖形的對象關聯(lián)公式和緊湊語義圖的使用，全局定位框架對異常值和視角變化具有魯棒性。

2、能夠在非結構化環(huán)境中本地化的框架。在沒有關于城市環(huán)境存在的先前假設的情況下，已證明相同的方法在非結構化環(huán)境中成功定位，如Katwijk Beach Planetary Rover數(shù)據(jù)集。

3、一種引導重定位模式，用于在全局定位后持續(xù)校正姿態(tài)估計，以減少漂移的影響。

4、一個成功定位和引導重定位的演示，使用來自不同日期拍攝的具有許多異常值的航空圖像的參考地圖，在KITTI數(shù)據(jù)集的真實數(shù)據(jù)上實現(xiàn)最先進的性能。

以上內(nèi)容來自小六的機器人SLAM學習圈 每日更新內(nèi)容