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

點擊領(lǐng)取學(xué)習(xí)資料 → 機器人SLAM學(xué)習(xí)資料大禮包

#論文##開源# RSS 2023|多倫多大學(xué)、慕尼黑工業(yè)大學(xué)等發(fā)布POV-SLAM: 半靜態(tài)環(huán)境下的概率對象感知變分SLAM
【POV-SLAM: Probabilistic Object-Aware Variational SLAM in Semi-Static Environments】
文章鏈接：http://arxiv.org/abs/2307.00488

摘要—在緩慢變化的場景中，同時定位和建圖（SLAM）對于長期機器人任務(wù)完成至關(guān)重要。未能檢測到場景變化可能導(dǎo)致地圖不準(zhǔn)確，最終導(dǎo)致機器人丟失。傳統(tǒng)的SLAM算法假設(shè)場景靜態(tài)，最近的研究考慮了動態(tài)場景，但要求連續(xù)幀中觀察到場景變化。半靜態(tài)場景中，物體隨時間出現(xiàn)、消失或緩慢移動，通常被忽視，然而它們對于長期操作至關(guān)重要。我們提出了一種對象感知的因子圖SLAM框架，用于跟蹤和重構(gòu)半靜態(tài)對象級別的變化。通過融合對象級別信息，我們的方法可以穩(wěn)健地處理半靜態(tài)場景，并在長時間內(nèi)保持準(zhǔn)確的地圖。實驗結(jié)果證明了我們提出的框架在處理緩慢變化場景方面的有效性和優(yōu)越性。我們的工作為SLAM技術(shù)在具有多樣化和動態(tài)環(huán)境的實際場景中的進展做出了貢獻。

我們使用了一種新穎的變分期望最大化策略來優(yōu)化包含高斯-均勻雙峰測量似然函數(shù)的因子圖，以處理可能變化的對象。我們在模擬環(huán)境中以及在我們自己捕獲的一個倉庫四個月的實際SLAM數(shù)據(jù)集上評估了我們的方法，并與最先進的SLAM解決方案進行了比較。我們的方法在存在半靜態(tài)變化的情況下提高了定位的魯棒性，并對場景進行了對象級別的推理。

以上內(nèi)容來自小六的機器人SLAM學(xué)習(xí)圈知識星球每日更新內(nèi)容