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# TRO 2023|東北大學(xué)發(fā)布面向關(guān)聯(lián)、建圖和高層任務(wù)的物體級SLAM

【An Object SLAM Framework for Association, Mapping, and High-Level Tasks】

文章鏈接：https://ieeexplore.ieee.org/document/10128836/auth...

物體級SLAM在機器人高級感知和決策制定中越來越重要?，F(xiàn)有的研究在數(shù)據(jù)關(guān)聯(lián)、對象表示和語義建圖方面存在不足，并且常常依賴額外的假設(shè)，限制了他們的性能。在本文中，我們提出一個全面的物體級SLAM框架，專注于基于對象的感知和面向?qū)ο蟮臋C器人任務(wù)。首先，我們提出了一種集成數(shù)據(jù)關(guān)聯(lián)方法，通過結(jié)合參數(shù)和非參數(shù)統(tǒng)計測試，用于在復(fù)雜情況下關(guān)聯(lián)對象。

此外，我們提出了一種基于iForest和線對齊的離群值魯棒的質(zhì)心和規(guī)模估計算法，用于建模對象。然后，通過估計的通用對象模型表示一個輕量級和面向?qū)ο蟮牡貓D?？紤]到對象的語義不變性，我們將物體級地圖轉(zhuǎn)換為拓撲地圖，以提供語義描述符，以實現(xiàn)多地圖匹配。最后，我們提出一個對象驅(qū)動的主動探索策略，以實現(xiàn)在抓取場景中的自動建圖。我們用一系列公開的數(shù)據(jù)集和真實世界的映射、增強現(xiàn)實、場景匹配、重定位和機器人操作的結(jié)果，來評估所提出的物體級SLAM框架的有效性能。