Robust 2D Indoor Localization through Laser SLAM and Visual SLAM Fusion

[Buddies-as-you-know]

論文リンク

title: "Robust 2D Indoor Localization through Laser SLAM

and Visual SLAM Fusion "

1. どんなもの？

• レーザSLAMとモノキュラカメラベースのSLAMを組み合わせることで、各々の長所を活かし、位置推定の精度を向上させる手法を提案

• 2. 先行研究と比べてどこがすごいの？

  • 先行研究では特徴マッチングによるセンサ融合が主流だったが、この研究ではSLAMのトラジェクトリマッチングに焦点を当てている。これにより様々なSLAM手法に一般化できる利点がある。
  • 単に特徴抽出に焦点を当てています。センサー フュージョンによって改善された特徴抽出により位置特定のパフォーマンスが向上しますが、そのようなアルゴリズムは特定の SLAM アルゴリズムに限定されます。
  • SLAM アルゴリズムのあらゆる融合に適用できます。

    3. 技術や手法の"キモ"はどこにある？

  • トラジェクトリを画像のように処理する発想が斬新。曲率フィルタやピラミッドフィルタでノイズを除去し、本質行列により変換パラメータを求めている。

    軌跡抽出

    $\begin{align*} &\ \ T_{traj}=\begin{bmatrix} \frac{1}{P_{x}} & 0 & 0 & -\frac{x_{\min}}{P_{x}}\\ 0 & \frac{1}{P_{y}}& 0 & -\frac{y_{\min}}{P_{y}}\\ 0 & 0 & 1 & 1\\ 0 & 0 & 0 & 1 \end{bmatrix}\tag{1}\\ &P_{x}= \frac{x_{\max}- x_{\min}}{w}, P_{y}=\frac{y_{\max}- y_{\min}}{h} \end{align*}$

整列角度解析

れら 2 つのシステムの間に変換行列が存在します。2 次元マッピング問題の場合、2 つの座標の位置ずれに影響を与えるのは面内の回転と平行移動です。

この位置合わせ問題は、損失値を同じタイムスタンプにおける 2 つの軌道点間のユークリッド距離として定義する場合の最適化問題です。

• 画像を回転することで損失値を最小化します。軌跡画像内のすべての点が回転された後、x 座標と y 座標に沿った最大距離が元の軌跡画像のサイズに合わせて再スケールされます。
• アライメント角：回転行列で、αはアライメント角です。この行列は、画像を回転させる際に使用され、最適な位置合わせを実現するための角度を表しています。 $\begin{equation*} R_{AAA}(\alpha)= \begin{bmatrix}\cos\alpha& -\sin\alpha& 0& 0\\ \sin\alpha& \cos\alpha& 0& 0\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{bmatrix} \tag{2} \end{equation*}$

4. どうやって有効だと検証した？

• ピオニア3-DXロボットとPepperロボットを用いた実験で、推定誤差が5%未満であることを検証した。センサ性能が低い場合でもロバストな定位が可能であることも示した。

• 

5. この論文において、研究の成果やデータに基づいて、その意義や影響、さらには限界点について詳細かつ適切に分析や評価がなされている部分は存在するのでしょうか？

• 処理時間やリアルタイム性能についての評価がない
• 使用環境の制限(平坦な屋内環境のみ)
• 長時間の動作におけるロバスト性の評価がない

6. 次に読むべき論文はあるか？

Sensor Fusion of Monocular Cameras and Laser Rangefinders for Line-based Simultaneous Localization and Mapping (SLAM) Tasks in Autonomous Mobile Robots (2012)

7. わからない文字

• トラジェクトリの情報:ボットやその他のエージェントが環境内を移動する際の経路や軌跡のデータを指します

  7.論文に使えそうな表現（あれば）

  論文情報・リンク

• 著者，"タイトル，" ジャーナル名，voluem，no.，ページ，年

[Buddies-as-you-know]

環境

• 6.8m x 11.8mの一般的な屋内環境

センシング

• レーザレンジファインダ(Hokuyo URG-04LX-UG01)
• モノキュラカメラ(解像度640x480)

ナビゲーション

• Gmapping (レーザSLAM)
• ORB-SLAM2 (ビジュアルSLAM)
• AMCL (Adaptive Monte Carlo Localization)

特徴量

• レーザスキャンの深度情報
• ORB (Oriented FAST and Rotated BRIEF) 特徴量

Pepperロボット

• レーザレンジファインダ(検出角度180度、45本のレーザビーム)
• モノキュラカメラ(解像度640x480)

処理環境

• Intel Core i7 CPUのみ
• GPUは使用していない
• ROS(Robot Operating System)上で構築