Nuovo dataset per migliorare SLAM in ambienti interni

La Localizzazione e Mappatura Simultanea (SLAM) è un'area chiave nella robotica, permettendo alle macchine di sapere dove si trovano e di creare mappe dell'ambiente circostante allo stesso tempo. Anche se ci sono stati progressi nella tecnologia SLAM, molti sistemi esistenti faticano ancora a funzionare bene in situazioni reali. I ricercatori concordano sulla necessità di scenari più difficili che possano evidenziare le debolezze di questi sistemi.

Questo lavoro presenta un nuovo dataset che cattura dati da ambienti interni, concentrandosi su aree difficili che i robot incontrano di solito. I dati sono stati raccolti usando un robot mobile in un edificio multi-piano alla Northeastern University. Questi tipi di ambienti sono comuni negli spazi d'ufficio, spesso con layout simili tra i vari piani, il che può confondere gli algoritmi SLAM.

L'attrezzatura utilizzata include diverse telecamere, un'unità di misura inerziale (IMU), una telecamera stereo e un sensore LiDAR ad alta risoluzione. Oltre al dataset, abbiamo anche testato diversi algoritmi SLAM per scoprire quanto bene funzionano in diverse situazioni.

#Raccolta Dati

#L'Impostazione

Per raccogliere i dati, abbiamo creato un'impostazione che includeva diversi Sensori. I sensori erano posizionati a circa 1.2 metri da terra su un robot mobile. Questo robot è stato spostato attraverso l'edificio ISEC, che ha più piani e un design simmetrico. Questa simmetria può causare problemi dove il robot confonde un piano per un altro.

Il set di sensori includeva sette telecamere e un lidar. Questi sensori sono stati calibrati e sincronizzati per garantire che i dati raccolti siano accurati. Il robot mobile è stato controllato usando un joystick, navigando attraverso varie aree dell'edificio.

#Tracciamento della Verità Terrena

Il tracciamento della verità terrena è essenziale per valutare l'accuratezza degli algoritmi SLAM. Tuttavia, è difficile stabilire dati di verità terrena in ambienti interni a causa dell'assenza di segnali GPS. Per superare questo, abbiamo usato marcatori fiduciali, che sono obiettivi visibili che possono aiutare a tracciare la posizione del robot mentre si muove tra diverse aree.

#Condizioni Difficili

Il dataset include vari scenari che i robot affrontano ogni giorno, come corridoi stretti, curve improvvise e persone in movimento. Ogni traiettoria seguita dal robot è stata progettata per consentire chiusure di loop, dove il robot torna a un punto noto per correggere eventuali deviazioni nella stima della sua posizione.

#Benchmarking degli Algoritmi SLAM

Abbiamo valutato una gamma di algoritmi SLAM ben noti usando il nostro dataset. Gli algoritmi selezionati coprono vari approcci, come soluzioni solo visive, visivo-inerziali e basate su lidar. Ogni algoritmo è stato eseguito sotto configurazioni specifiche per testarne l'efficacia nella gestione degli scenari difficili presentati dal nostro dataset.

#Osservazioni sulle Prestazioni

Durante i test, abbiamo notato diversi problemi affrontati dagli algoritmi. Ad esempio, molti sistemi di SLAM visivi faticavano con spazi simmetrici, dove potevano confondere un piano con un altro. Mentre alcuni algoritmi funzionavano bene in spazi con buone caratteristiche, perdevano il tracciamento quando si trovavano di fronte a muri privi di caratteristiche o superfici riflettenti.

Ambienti dinamici, come quelli con persone in movimento, ponevano anch'essi problemi. Gli algoritmi potrebbero interpretare male il movimento, portando a posizionamenti imprecisi. Ad esempio, gli algoritmi visivo-inerziali potrebbero gestire meglio le scene dinamiche grazie alla misura aggiuntiva dei sensori inerziali.

#Contributi Chiave

Questo lavoro offre un nuovo dataset che mostra le varie condizioni affrontate quando si utilizza SLAM in spazi interni. Le caratteristiche chiave del dataset includono:

1. Dati Multi-modali: Il dataset include dati provenienti da diversi tipi di sensori, consentendo una valutazione completa degli algoritmi SLAM.

2. Scenari Difficili: Cattura una gamma di condizioni difficili, comprese aree prive di caratteristiche, superfici riflettenti e layout di pavimenti simili.

3. Risultati di Benchmarking: La valutazione di vari algoritmi SLAM evidenzia i loro punti di forza e di debolezza, fornendo spunti per lo sviluppo futuro.

#Lavori Correlati

Sono stati sviluppati molti dataset SLAM esistenti, focalizzandosi principalmente su ambienti esterni o compiti specifici come l'odometria visiva. I primi dataset interni erano spesso centrati su compiti solo visivi. Sforzi più recenti hanno iniziato a includere più sensori per coprire ambienti interni, ma sfide come oggetti dinamici e illuminazione rimangono ancora.

L'arrivo di dataset come KITTI e TUM ha fornito preziose opportunità di benchmarking per i sistemi SLAM. Tuttavia, il nostro dataset mira a colmare il gap negli scenari interni multi-piano, presentando sfide uniche non affrontate in lavori precedenti.

#Conclusione

Le sfide associate a SLAM in ambienti interni evidenziano i limiti degli algoritmi attuali. C'è ancora molta strada da fare, specialmente nella gestione del degrado visivo e nel riconoscimento di ambienti simili. Il dataset presentato qui mira a supportare la comunità di ricerca nello sviluppo di tecniche SLAM migliori che possano gestire le complessità della navigazione interna nel mondo reale.

In sintesi, il nostro dataset raccoglie varie sequenze da un edificio multi-piano, catturando le sfide che i robot autonomi probabilmente incontreranno. Incoraggiamo i ricercatori a utilizzare questo dataset per innovare nuovi metodi che possano migliorare le prestazioni SLAM in situazioni reali. Future espansioni del dataset potrebbero includere scenari esterni, migliorando ulteriormente la sua utilità per test e sviluppo.