Novo Conjunto de Dados para Melhorar SLAM em Ambientes Internos

A Localização e Mapeamento Simultâneo (SLAM) é uma área chave na robótica, permitindo que as máquinas saibam onde estão e criem mapas do ambiente ao mesmo tempo. Embora tenha havido avanços na tecnologia SLAM, muitos sistemas existentes ainda têm dificuldades para funcionar de forma eficaz em cenários da vida real. Os pesquisadores concordam sobre a necessidade de cenários mais difíceis que possam expor as fraquezas desses sistemas.

Este trabalho apresenta um novo conjunto de dados que captura informações de ambientes internos, focando em áreas desafiadoras que os robôs costumam encontrar. Os dados foram coletados usando um robô móvel em um prédio de vários andares na Northeastern University. Esse tipo de ambiente é comum em escritórios, muitas vezes apresentando layouts semelhantes em diferentes andares, o que pode confundir os algoritmos SLAM.

O equipamento utilizado inclui várias câmeras, uma unidade de medição inercial (IMU), uma câmera estéreo e um sensor LiDAR de alta resolução. Além do conjunto de dados, também testamos vários algoritmos SLAM para descobrir como eles se saem em diferentes situações.

#Coleta de Dados

#A Configuração

Para coletar dados, montamos um setup que incluiu vários Sensores. Os sensores foram posicionados a aproximadamente 1,2 metros do chão em um robô móvel. Esse robô foi movido pelo prédio ISEC, que tem múltiplos andares e um design simétrico. Essa simetria pode gerar problemas onde o robô confunde um andar com outro.

O conjunto de sensores incluía sete câmeras e um lidar. Esses sensores foram calibrados e sincronizados para garantir que os dados coletados sejam precisos. O robô móvel foi controlado usando um joystick, navegando por várias áreas do prédio.

#Rastreamento de Verdadeiro Terreno

O rastreamento de verdadeiro terreno é essencial para avaliar a precisão dos algoritmos SLAM. No entanto, é difícil estabelecer dados de verdadeiro terreno em ambientes internos devido à ausência de sinais de GPS. Para contornar isso, usamos marcadores fiduciais, que são alvos visíveis que podem ajudar a rastrear a posição do robô enquanto ele se move por diferentes áreas.

#Condições Desafiadoras

O conjunto de dados inclui vários cenários que os robôs enfrentam diariamente, como corredores estreitos, curvas abruptas e pessoas em movimento. Cada trajetória que o robô seguiu foi projetada para permitir fechamentos de loop, onde o robô retorna a um ponto conhecido para corrigir qualquer desvio em sua estimativa de posição.

#Benchmarking de Algoritmos SLAM

Nós avaliamos uma variedade de algoritmos SLAM bem conhecidos usando nosso conjunto de dados. Os algoritmos selecionados cobrem várias abordagens, como soluções apenas visuais, visuais-inerciais e baseadas em lidar. Cada algoritmo foi executado sob configurações específicas para testar sua eficácia em lidar com os cenários desafiadores apresentados pelo nosso conjunto de dados.

#Observações de Performance

Durante os testes, notamos vários problemas enfrentados pelos algoritmos. Por exemplo, muitos sistemas SLAM visuais tiveram dificuldades em espaços simétricos, onde podiam confundir um andar com outro. Embora alguns algoritmos tenham se saído bem em espaços com boas características, eles perderam o rastro ao encontrar paredes sem características ou superfícies reflexivas.

Ambientes dinâmicos, como aqueles com pessoas em movimento, também apresentaram problemas. Os algoritmos podem interpretar mal o movimento, levando a uma posicionamento impreciso. Por exemplo, algoritmos visuais-inerciais poderiam lidar melhor com cenas dinâmicas devido à medição adicional dos sensores inerciais.

#Contribuições Principais

Este trabalho oferece um novo conjunto de dados que mostra as várias condições enfrentadas ao usar SLAM em espaços internos. As principais características do conjunto de dados incluem:

1. Dados Multi-modais: O conjunto de dados inclui informações de diferentes tipos de sensores, permitindo uma avaliação abrangente dos algoritmos SLAM.

2. Cenários Desafiadores: Captura uma gama de condições difíceis, incluindo áreas sem características, superfícies reflexivas e layouts de andares semelhantes.

3. Resultados de Benchmarking: A avaliação de vários algoritmos SLAM destaca seus pontos fortes e fracos, fornecendo insights para desenvolvimentos futuros.

#Trabalhos Relacionados

Muitos Conjuntos de dados SLAM existentes foram desenvolvidos, focando principalmente em ambientes externos ou tarefas específicas como odometria visual. Conjuntos de dados internos mais antigos costumavam centrar-se em tarefas apenas visuais. Esforços mais recentes começaram a incluir múltiplos sensores para cobrir ambientes internos, mas desafios como objetos dinâmicos e iluminação ainda permanecem.

O advento de conjuntos de dados como KITTI e TUM forneceu valiosas oportunidades de benchmarking para sistemas SLAM. No entanto, nosso conjunto de dados visa preencher a lacuna em cenários internos de múltiplos andares, apresentando desafios únicos não abordados em trabalhos anteriores.

#Conclusão

Os desafios associados ao SLAM em ambientes internos destacam as limitações dos algoritmos atuais. Há muito espaço para melhorias, especialmente na gestão da degradação visual e no reconhecimento de ambientes semelhantes. O conjunto de dados apresentado aqui visa apoiar a comunidade de pesquisa no desenvolvimento de técnicas SLAM melhores que possam lidar com as complexidades da navegação interna no mundo real.

Em resumo, nosso conjunto de dados coleta várias sequências de um prédio de múltiplos andares, capturando os desafios que robôs autônomos provavelmente encontrarão. Incentivamos os pesquisadores a usar este conjunto de dados para inovar novos métodos que possam melhorar o desempenho do SLAM em situações da vida real. Expansões futuras do conjunto de dados podem incluir cenários externos, aumentando ainda mais sua utilidade para testes e desenvolvimento.