scholarly journals Affine-Invariant Geometric Constraints-Based High Accuracy Simultaneous Localization and Mapping

2017 ◽  
Vol 2017 ◽  
pp. 1-7
Author(s):  
Gangchen Hua ◽  
Xu Tan
Keyword(s):  
Large Scale ◽  
Simultaneous Localization And Mapping ◽  
Geometric Constraints ◽  
Long Term Memory ◽  
Affine Invariant ◽  
Loop Closure ◽  
Visual Words ◽  
Loop Closure Detection ◽  
Localization And Mapping

In this study we describe a new appearance-based loop-closure detection method for online incremental simultaneous localization and mapping (SLAM) using affine-invariant-based geometric constraints. Unlike other pure bag-of-words-based approaches, our proposed method uses geometric constraints as a supplement to improve accuracy. By establishing an affine-invariant hypothesis, the proposed method excludes incorrect visual words and calculates the dispersion of correctly matched visual words to improve the accuracy of the likelihood calculation. In addition, camera’s intrinsic parameters and distortion coefficients are adequate for this method. 3D measuring is not necessary. We use the mechanism of Long-Term Memory and Working Memory (WM) to manage the memory. Only a limited size of the WM is used for loop-closure detection; therefore the proposed method is suitable for large-scale real-time SLAM. We tested our method using the CityCenter and Lip6Indoor datasets. Our proposed method results can effectively correct the typical false-positive localization of previous methods, thus gaining better recall ratios and better precision.

scholarly journals Multi-Objective Optimization of Loop Closure Detection Parameters for Indoor 2D Simultaneous Localization and Mapping

Sensors ◽  
2020 ◽  
Vol 20 (7) ◽  
pp. 1906
Author(s):  
Dongxiao Han ◽  
Yuwen Li ◽  
Tao Song ◽  
Zhenyang Liu
Keyword(s):  
Simultaneous Localization And Mapping ◽  
Ground Truth ◽  
Optimization Method ◽  
Evaluation Metrics ◽  
Multi Objective Optimization ◽  
Loop Closure ◽  
Loop Closure Detection ◽  
Multi Objective ◽  
Evaluation Approach ◽  
Localization And Mapping

Aiming at addressing the issues related to the tuning of loop closure detection parameters for indoor 2D graph-based simultaneous localization and mapping (SLAM), this article proposes a multi-objective optimization method for these parameters. The proposed method unifies the Karto SLAM algorithm, an efficient evaluation approach for map quality with three quantitative metrics, and a multi-objective optimization algorithm. More particularly, the evaluation metrics, i.e., the proportion of occupied grids, the number of corners and the amount of enclosed areas, can reflect the errors such as overlaps, blurring and misalignment when mapping nested loops, even in the absence of ground truth. The proposed method has been implemented and validated by testing on four datasets and two real-world environments. For all these tests, the map quality can be improved using the proposed method. Only loop closure detection parameters have been considered in this article, but the proposed evaluation metrics and optimization method have potential applications in the automatic tuning of other SLAM parameters to improve the map quality.

scholarly journals A Light Visual Mapping and Navigation Framework for Low-Cost Robots

2015 ◽  
Vol 24 (4) ◽  
pp. 505-524 ◽  
Author(s):  
Stephane Bazeille ◽  
Emmanuel Battesti ◽  
David Filliat
Keyword(s):  
Large Range ◽  
Low Cost ◽  
Indoor Environments ◽  
Noise Levels ◽  
Visual Sensor ◽  
Loop Closure ◽  
Loop Closure Detection ◽  
Localization And Mapping ◽  
Computational Resources

AbstractWe address the problems of localization, mapping, and guidance for robots with limited computational resources by combining vision with the metrical information given by the robot odometry. We propose in this article a novel light and robust topometric simultaneous localization and mapping framework using appearance-based visual loop-closure detection enhanced with the odometry. The main advantage of this combination is that the odometry makes the loop-closure detection more accurate and reactive, while the loop-closure detection enables the long-term use of odometry for guidance by correcting the drift. The guidance approach is based on qualitative localization using vision and odometry, and is robust to visual sensor occlusions or changes in the scene. The resulting framework is incremental, real-time, and based on cheap sensors provided on many robots (a camera and odometry encoders). This approach is, moreover, particularly well suited for low-power robots as it is not dependent on the image processing frequency and latency, and thus it can be applied using remote processing. The algorithm has been validated on a Pioneer P3DX mobile robot in indoor environments, and its robustness is demonstrated experimentally for a large range of odometry noise levels.

Online appearance-based place recognition and mapping algorithms for autonomous robot navigation

2021 ◽  
Author(s):  
Κωνσταντίνος Τσιντώτας
Keyword(s):  
Image Processing ◽  
Robot Navigation ◽  
Simultaneous Localization And Mapping ◽  
Autonomous Robot ◽  
Place Recognition ◽  
Mapping Algorithms ◽  
Loop Closure ◽  
Loop Closure Detection ◽  
Localization And Mapping ◽  
Autonomous Robot Navigation

Τα αυτόνομα ρομποτικά συστήματα αποτελούν ένα από τα τμήματα που βρίσκονται στην αιχμή της τεχνολογίας και της έρευνας. Τα σύγχρονα ρομποτικά συστήματα που δημιουργούνται δύναται να έχουν την ικανότητα να μπορούν να προσδιορίσουν την θέση τους μέσα στο περιβάλλον το οποίο περιπλανιούνται. Η επίτευξη του συγκεκριμένου στόχου επιτυγχάνεται μέσω της κατασκευής ενός χάρτη την στιγμή που πλοηγείται, μέσω ενός μηχανισμού που είναι ευρέως γνωστός ως ταυτόχρονος προσδιορισμός θέσης και τοποθεσίας (Simultaneous Localization and Mapping –SLAM). Ο χάρτης δημιουργείται μέσω των μετρήσεων που δέχεται το σύστημα από τους επιμέρους αισθητήρες που είναι τοποθετημένοι επάνω στο ρομποτικό σύστημα. Η αύξηση της υπολογιστικής ισχύς τα τελευταία χρόνια και η ευρέως διαδεδομένη χρήση των καμερών οδήγησε στα αυτόνομα συστήματα να επιλέγεται ως κύρια πηγή απόκτησης δεδομένων η χρήση καμερών. Καθώς όμως το ρομπότ διασχίζει την τροχιά του μέσα σε ένα άγνωστο περιβάλλον είναι έντονος ο κίνδυνος δημιουργίας ενός χάρτη με εσφαλμένα στοιχεία στην σχεδιασμένη τροχιά, με κύρια αίτια που μπορεί να σχετίζονται στην κακή εκτίμηση μετρήσεων των αισθητήριων ή σε ενδεχόμενη δυσλειτουργία των ενσωματωμένων οργάνων του συστήματος. Το πρόβλημα που αναφέρθηκε αποτελεί κίνδυνο για την περάτωση της αποστολής του ρομποτικού συστήματος, το οποίο όμως μπορεί να διορθωθεί με επαναπροσδιορισμό της τροχιάς του εφόσον είναι εφικτή η αναγνώριση της περιοχής που διασχίζει μέσω των οπτικών αισθητηρίων που διαθέτει. Τα συστήματα τα οποία βασίζονται αποκλειστικά στις κάμερες ως μέσα αναγνώρισης περιοχής είναι γνωστά ως εμφάνισης βασιζόμενα συστήματα (appearance based systems) και οι τεχνικές που προσπαθούν να λύσουν το πρόβλημα είναι γνωστές ως ανίχνευση κλειστών βρόγχων (loop closure detection). Η παρούσα διδακτορική διατριβή εστιάζει στην δημιουργία ενός αντίστοιχου συστήματος ικανού να αναγνωρίσει μια επαναλαμβανόμενα επισκεπτόμενη περιοχή μέσω των εισερχόμενων εικόνων που δέχεται. Η επίτευξη του συστήματος στηρίζεται σε τρείς σημαντικές μονάδες. Στην αρχή έρχεται η μονάδα επεξεργασίας εικόνας (image processing) με την οποία είναι εφικτή η ερμηνεία των εισερχόμενων εικόνων. Μέσω τεχνικών περιγραφής εικόνας είναι δυνατή η λήψη σημείων ενδιαφέροντος ικανά να περιγράψουν την σκηνή που αντιμετωπίζει το ρομπότ. Κάθε εικόνα ενδέχεται να περιέχει εκατοντάδες τοπικά σημεία ενδιαφέροντος με αποτέλεσμα να μπορεί να περιγραφεί ως ένα σύνολο από επιμέρους χαρακτηριστικά. Ο χάρτης (map) αποτελεί την μονάδα που είναι υπεύθυνη για την αναπαράσταση του κόσμου που γνωρίζει το ρομπότ με βάση τα χαρακτηριστικά που έχουν ληφθεί από τις σκηνές που έχει επισκεφθεί. Τέλος, έρχεται η μονάδα πεποίθησης πιθανής περιοχής (belief generator), η οποία συνδυάζει τα εισερχόμενα δεδομένα με τα δεδομένα του χάρτη ώστε να είναι σε θέση να λάβει την απόφαση για το αν το σύστημα βρίσκεται ή όχι σε οικεία περιοχή με σκοπό να επαναπροσδιορίσει την τροχιά του.

MULTIFRACTAL DETRENDED CROSS-CORRELATION ANALYSIS FOR LARGE-SCALE WAREHOUSE-OUT BEHAVIORS

Fractals ◽  
2015 ◽  
Vol 23 (04) ◽  
pp. 1550044 ◽  
Author(s):  
CAN-ZHONG YAO ◽  
JI-NAN LIN ◽  
XU-ZHOU ZHENG
Keyword(s):  
Correlation Analysis ◽  
Large Scale ◽  
Cross Correlation ◽  
Correlation Property ◽  
Long Term Memory ◽  
Correlation Relationship ◽  
Term Memory ◽  
Wire Rod ◽  
Cross Correlation Analysis

Based on cross-correlation algorithm, we analyze the correlation property of warehouse-out quantity of different warehouses, respectively, and different products of each warehouse. Our study identifies that significant cross-correlation relationship for warehouse-out quantity exists among different warehouses and different products of a warehouse. Further, we take multifractal detrended cross-correlation analysis for warehouse-out quantity among different warehouses and different products of a warehouse. The results show that for the warehouse-out behaviors of total amount, different warehouses and different products of a warehouse significantly follow multifractal property. Specifically for each warehouse, the coupling relationships of rebar and wire rod reveal long-term memory characteristics, no matter for large fluctuation or small one. The cross-correlation effect on long-range memory property among warehouses probably has less to do with product types,and the long-term memory of YZ warehouse is greater than others especially in total amount and wire rod product. Finally, we shuffle and surrogate data to explore the source of multifractal cross-correlation property in logistics system. Taking the total amount of warehouse-out quantity as example, we confirm that the fat-tail distribution of warehouse-out quantity sequences is the main factor for multifractal cross-correlation. Through comparing the performance of the multifractal detrended cross-correlation analysis (MF-DCCA), centered multifractal detrending moving average cross-correlation analysis (MF-X-DMA) algorithms, the forward and backward MF-X-DMA algorithms, we find that the forward and backward MF-X-DMA algorithms exhibit a better performance than the other ones.

Sign in / Sign up

Export Citation Format

Share Document