Neuer Datensatz zur Verbesserung von SLAM in Innenräumen

Simultane Lokalisierung und Kartierung (SLAM) ist ein wichtiges Thema in der Robotik, das es Maschinen ermöglicht, zu wissen, wo sie sind, und gleichzeitig Karten ihrer Umgebung zu erstellen. Obwohl es Fortschritte in der SLAM-Technologie gegeben hat, haben viele bestehende Systeme immer noch Probleme, effektiv in realen Umgebungen zu arbeiten. Forscher sind sich einig, dass es schwierigere Szenarien braucht, um die Schwächen dieser Systeme aufzuzeigen.

Diese Arbeit präsentiert einen neuen Datensatz, der Daten aus Innenräumen erfasst und sich auf herausfordernde Bereiche konzentriert, mit denen Roboter typischerweise konfrontiert werden. Die Daten wurden mit einem mobilen Roboter in einem mehrstöckigen Gebäude der Northeastern University gesammelt. Solche Umgebungen sind in Büros üblich, oft mit ähnlichen Layouts auf verschiedenen Etagen, die SLAM-Algorithmen verwirren können.

Die verwendete Ausstattung umfasst verschiedene Kameras, ein inertiales Messsystem (IMU), eine Stereo-Kamera und einen hochauflösenden LiDAR-Sensor. Neben dem Datensatz haben wir auch mehrere SLAM-Algorithmen getestet, um herauszufinden, wie gut sie in verschiedenen Situationen abschneiden.

#Datensammlung

#Das Setup

Um Daten zu sammeln, haben wir ein Setup erstellt, das mehrere Sensoren beinhaltete. Die Sensoren waren etwa 1,2 Meter über dem Boden auf einem mobilen Roboter positioniert. Dieser Roboter wurde durch das ISEC-Gebäude bewegt, das mehrere Etagen und ein symmetrisches Design hat. Diese Symmetrie kann zu Problemen führen, bei denen der Roboter eine Etage mit einer anderen verwechselt.

Die Sensorsuite umfasste sieben Kameras und einen Lidar. Diese Sensoren wurden kalibriert und synchronisiert, um sicherzustellen, dass die gesammelten Daten genau sind. Der mobile Roboter wurde mit einem Joystick gesteuert und navigierte durch verschiedene Bereiche des Gebäudes.

#Echtzeitverfolgung

Echtzeitverfolgung ist entscheidend, um die Genauigkeit der SLAM-Algorithmen zu bewerten. Allerdings ist es schwierig, echte Wahrheitsdaten in Innenräumen zu erstellen, weil GPS-Signale fehlen. Um dies zu überwinden, haben wir fiduziale Marker verwendet, die sichtbare Ziele sind und helfen, die Position des Roboters zu verfolgen, während er sich durch verschiedene Bereiche bewegt.

#Herausfordernde Bedingungen

Der Datensatz umfasst verschiedene Szenarien, mit denen Roboter täglich konfrontiert sind, wie enge Flure, plötzliche Abbiegen und sich bewegende Personen. Jede Trajektorie, die der Roboter folgte, wurde so gestaltet, dass sie Rückführungen ermöglicht, bei denen der Roboter zu einem bekannten Punkt zurückkehrt, um Abweichungen in seiner Positionsschätzung zu korrigieren.

#Benchmarking von SLAM-Algorithmen

Wir haben eine Reihe von bekannten SLAM-Algorithmen mit unserem Datensatz evaluiert. Die ausgewählten Algorithmen decken verschiedene Ansätze ab, wie nur visuell, visuell-inertial und lidar-basierte Lösungen. Jeder Algorithmus wurde unter bestimmten Konfigurationen ausgeführt, um ihre Effektivität im Umgang mit den herausfordernden Szenarien unseres Datensatzes zu testen.

#Leistungsbeobachtungen

Während der Tests haben wir mehrere Probleme festgestellt, mit denen die Algorithmen konfrontiert waren. Viele visuelle SLAM-Systeme hatten beispielsweise Schwierigkeiten in symmetrischen Räumen, wo sie eine Etage mit einer anderen verwechseln konnten. Einige Algorithmen schnitten in Bereichen mit guten Merkmalen gut ab, verloren aber den Überblick, wenn sie auf merkmalslose Wände oder reflektierende Oberflächen stiessen.

Dynamische Umgebungen, wie solche mit sich bewegenden Personen, stellten ebenfalls Probleme dar. Algorithmen könnten die Bewegung falsch interpretieren, was zu ungenauer Positionierung führt. Zum Beispiel konnten visuell-inertiale Algorithmen dynamische Szenen besser bewältigen, da sie zusätzliche Messungen von den inertialen Sensoren erhalten.

#Wichtige Beiträge

Diese Arbeit bietet einen neuen Datensatz, der die verschiedenen Bedingungen zeigt, die bei der Verwendung von SLAM in Innenräumen auftreten. Die wichtigsten Merkmale des Datensatzes sind:

1. Multimodale Daten: Der Datensatz beinhaltet Daten von verschiedenen Sensortypen, was eine umfassende Bewertung der SLAM-Algorithmen ermöglicht.

2. Herausfordernde Szenarien: Er erfasst eine Reihe schwieriger Bedingungen, einschliesslich merkmalsloser Bereiche, reflektierender Oberflächen und ähnlich aussehender Etagenlayouts.

3. Benchmarking-Ergebnisse: Die Bewertung verschiedener SLAM-Algorithmen hebt ihre Stärken und Schwächen hervor und bietet Einblicke für zukünftige Entwicklungen.

#Verwandte Arbeiten

Viele bestehende SLAM-Datensätze wurden entwickelt, die sich hauptsächlich auf Aussenbereiche oder spezifische Aufgaben wie visuelle Odometrie konzentrieren. Frühe Innen_DATEN_Sätze konzentrierten sich oft auf rein visuelle Aufgaben. Neuere Bemühungen haben begonnen, mehrere Sensoren einzubeziehen, um Innenräume abzudecken, aber Herausforderungen wie dynamische Objekte und Beleuchtung bleiben bestehen.

Der Aufstieg von Datensätzen wie KITTI und TUM hat wertvolle Benchmarking-Möglichkeiten für SLAM-Systeme geboten. Allerdings zielt unser Datensatz darauf ab, die Lücke in mehrstöckigen Innenszenarien zu schliessen und einzigartige Herausforderungen zu präsentieren, die in früheren Arbeiten nicht behandelt wurden.

#Fazit

Die Herausforderungen, die mit SLAM in Innenräumen verbunden sind, zeigen die Einschränkungen der aktuellen Algorithmen auf. Es gibt noch viel Raum für Verbesserungen, besonders im Umgang mit visueller Verschlechterung und der Erkennung ähnlicher Umgebungen. Der hier vorgestellte Datensatz soll der Forschungsgemeinschaft helfen, bessere SLAM-Techniken zu entwickeln, die die Komplexität der realen Navigation in Innenräumen bewältigen können.

Zusammenfassend erfasst unser Datensatz verschiedene Sequenzen aus einem mehrstöckigen Gebäude und dokumentiert die Herausforderungen, mit denen autonome Roboter wahrscheinlich konfrontiert werden. Wir ermutigen Forscher, diesen Datensatz zu nutzen, um neue Methoden zu entwickeln, die die SLAM-Leistung in realen Situationen verbessern können. Zukünftige Erweiterungen des Datensatzes könnten Aussen-Szenarien einbeziehen und so seine Nützlichkeit für Tests und Entwicklungen weiter steigern.