利用地下自动驾驶车辆上的低成本传感器进行位置跟踪的半监督SLAM

每天一分钟，带你读遍机器人顶级会议文章

标题：Semi-Supervised SLAM Leveraging Low-Cost Sensors on Underground Autonomous Vehicles for Position Tracking

作者：Adam Jacobson , Fan Zeng , David Smith , Nigel Boswell , Thierry Peynot , Michael Milford

来源：IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)，2018

编译：张宁

审核：颜青松，陈世浪

欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权

摘要

本文提出了半监督SLAM - 一种适合在地下环境中进行粗略定位的建图方法，人为干预最少，系统特征由主要矿业公司的实际需求驱动。这项工作利用了采矿环境中常见的现有信息 - 即调查的矿山地图 - 用于在矿山环境中稀疏地绘制地图位置，提高地图准确性并允许在全局框架内进行定位。地图创建利用低成本的相机传感器和最小的用户信息来产生可用于采矿环境内的单个相机定位的地图。我们通过对活动地下矿井内的可操作地下采矿车辆进行数据收集，并通过模拟环境中常见的灰尘和水等堵塞，来深入评估所提方法的定位能力。所提出的系统能够生成平均定位误差比下一个最佳性能方法ORB-SLAM2小2.5倍的地图，与最先进的深度学习方法（这不是一个可行的解决方案由于计算和训练要求）相当的定位性能 ，并且对模拟环境障碍物具有鲁棒性。

图1 （顶部）来自地下采矿环境图像的说明性示例；（中）本文提出的方法和双目ORB-SLAM2方法生成的地图；（底部）重投影误差

图1的结果表明，所提出的半监督SLAM系统可以生成一个精确的环境图，其中当前最先进的SLAM系统无法准确地表示世界并创建精确的闭环。半监督SLAM系统利用单目摄像机和先前在采矿环境中存在的信息来生成比使用现有技术方法生成的地图精确度高2.5倍的地图。

图2 用于定位的示例图形表示

图3 基于真实世界尘埃（a）和水（d）的遮挡和模拟遮挡的例子，包括灰尘遮挡等级1（b）和2（c）以及水遮挡等级1（e）和等级2（f）。

此外，所提出的局部化方法被证明对模拟尘埃的存在具有鲁棒性。所提出的方法能够产生与最先进的深度学习场所识别系统（由于计算和训练要求而不是可行解决方案的系统）相当的定位性能。

Abstract

This work presents Semi-Supervised SLAM - a method for developing a map suitable for coarse localization within an underground environment with minimal human intervention, with system characteristics driven by real-world requirements of major mining companies. This work leverages existing information common within a mining environment -namely a surveyed mine map - which is used to sparsely ground map locations within the mine environment, increasing map accuracy and allowing localization within a global frame. Map creation utilizes a low cost camera sensor and minimal user information to produce a map which can be used for single camera localization within a mining environment. We evaluate the localization capabilities of the proposed approach in depth by performing data collection on operational underground mining vehicles within an active underground mine and by simulating occlusions common to the environment such as dust and water. The proposed system is capable of producing maps which have an average localization error 2.5 times smaller than the next best performing method ORB-SLAM2,comparable localization performance to a state-of-the-art deep learning approach (which is not a feasible solution due to both compute and training requirements) and is robust to simulated environmental obscurants.

如果你对本文感兴趣，想要下载完整文章进行阅读，可以关注【泡泡机器人SLAM】公众号（paopaorobot_slam）。

欢迎来到泡泡论坛，这里有大牛为你解答关于SLAM的任何疑惑。

有想问的问题，或者想刷帖回答问题，泡泡论坛欢迎你！

泡泡论坛：http://paopaorobot.org/bbs/

泡泡机器人SLAM的原创内容均由泡泡机器人的成员花费大量心血制作而成，希望大家珍惜我们的劳动成果，转载请务必注明出自【泡泡机器人SLAM】微信公众号，否则侵权必究！同时，我们也欢迎各位转载到自己的朋友圈，让更多的人能进入到SLAM这个领域中，让我们共同为推进中国的SLAM事业而努力！