Článek v časopise

ILA Viorela S., POLOK Lukáš, ŠOLONY Marek a SVOBODA Pavel. SLAM++-A Highly Efficient and Temporally Scalable Incremental SLAM Framework. The International Journal of Robotics Research. 2017, roč. 2017, č. 1, s. 210-230. ISSN 1741-3176. Dostupné z: https://doi.org/10.1177/0278364917691110
Jazyk publikace:angličtina
Název publikace:SLAM++-A Highly Efficient and Temporally Scalable Incremental SLAM Framework
Název (cs):SLAM++-Vysoce efektivní a temporálně škálující SLAM framework
Strany:210-230
Kniha:Online First
Místo vydání:GB
Rok:2017
URL:https://doi.org/10.1177/0278364917691110
Časopis:The International Journal of Robotics Research, roč. 2017, č. 1, GB
ISSN:1741-3176
DOI:10.1177/0278364917691110
Soubory: 
+Typ Jméno Název Vel. Poslední změna
iconIJR_0278364917691110.pdf3,72 MB2017-03-14 10:39:34
^ Vybrat vše
S vybranými:
Klíčová slova

nonlinear least squares, incremental covariance recovery, long-term SLAM, loop closure, compact state representation

Anotace
Nejběžnější způsob jak se vypořádat s nejistotou, přítomnou v měření percepčních sensorů zatížených šumem a stejně tak i v aktuátorech je modelovat daný problém v pravděpodobnostním frameworku. Maximum likelihood estimation (MLE) je dobře známá estimační metoda používaná v mnoha robotických aplikacích a aplikacích počítačového vidění. Při Gaussovském šumu má toto MLE elegantní řešení nelineárních nejmenších čtverců (NLS).

Efektivní metody řešící NLS byly navrženy v literatuře a jsou založeny na iterativním řešení řídkých lineárních systémů až do dosažení konvergence. Obecně vzato, dosavadní řešení poskytují jen odhad průměrného řešení ale už neposkytují kovarianci jež je příliš výpočetně drahá. Nicméně, v mnoha aplikacích současné lokalizace a mapování (SLAM) není průměrné řešení dostačující. Asociace dat, redukovaná reprezentace stavu, aktivní rozhodování a další nejlepší pohled představuje jen několik aplikací vyžadujících rychlý výpočet kovariance. Dále, aplikace v robotice a počítačovém vidění jsou obecně vykonávány v reálném čase. V tomto případě je stav estimace neustále aktualizován a jeho velikost stále roste, tudíž se tento proces může rychle stát výpočetně neúnosným.

Tento článek představuje obecný framework pro inkrementální MLE, zvaný SLAM++, který plně těží z inkrementální povahy aplikací v reálném čase a poskytuje efektivní výpočet nejen průměru ale i kovariance řešení. Dále navrhujeme strategii pro udržování kompaktní a škálovatelné reprezentace stavu pro SLAM velkého rozsahu. SLAM++ se liší od ostatních existujících implementací tím, že provádí veškeré maticové operace blokově. To vede k extrémně rychlé manipulaci s maticemi a rychlým aritmetickým operacím použitým při řešení NLS. I přesto že tento článek testuje efektivitu SLAM++ na problémech typu SLAM, jeho použití je plně obecné.

BibTeX:
@ARTICLE{
   author = {S. Viorela Ila and Luk{\'{a}}{\v{s}} Polok and
	Marek {\v{S}}olony and Pavel Svoboda},
   title = {SLAM++-A Highly Efficient and Temporally Scalable
	Incremental SLAM Framework},
   pages = {210--230},
   booktitle = {Online First},
   journal = {The International Journal of Robotics Research},
   volume = 2017,
 number = 1,
   year = 2017,
   ISSN = {1741-3176},
   doi = {10.1177/0278364917691110},
   language = {english},
   url = {http://www.fit.vutbr.cz/research/view_pub.php.cs?id=11188}
}

Vaše IPv4 adresa: 35.173.234.237