← 返回论文列表

低动态环境下的多会话地面纹理SLAM
Multi-Session Ground Texture SLAM in Low-Dynamic Environments

作者: Kyle M. Hart, Brendan Englot
arXiv: 2605.19701v1
分类: cs.RO
📝 论文摘要
同时定位与地图构建领域已引入越来越多的适应多会话操作的系统，其中操作环境存在影响地图构建的低动态变化（如表面磨损、天气现象或季节变化）。这些系统支持机器人在此类环境中进行终身操作。此外，在仅依赖独特地面纹理作为可用地图特征的环境中操作也日益受到关注。然而，这些地面纹理系统尚未针对多会话低动态变化环境进行设计。本研究探讨了三种不同技术在此类多会话低动态地面纹理环境中对轨迹估计精度的影响。其中，使用库尔贝克-莱布勒散度作为相似度评分和影响闭环置信度的偏差，被证明是最成功的。我们对所有三种方法进行了分析，并深入探讨了库尔贝克-莱布勒散度的影响。同时，我们引入了一个供机器人社区使用的数据集，其中包含多会话图像（地面在会话间发生变化）以及用于评估的高精度位姿信息。

📊 核心分析

🎯 研究动机
- 现有**同时定位与地图构建(SLAM)** 社区已发展出适用于多会话操作的系统，但在低动态变化环境（如表面磨损、天气或季节变化）中，地面纹理SLAM尚未针对多会话场景进行优化 - 地面纹理系统在只有地面纹理可用作地图特征的场景中具有应用价值，但缺乏应对会话间低动态变化的能力 - 研究背景：机器人需要在低动态变化环境中长期运行，但地面纹理的多会话SLAM仍面临轨迹估计精度挑战
🔧 核心方法
- 比较了三种不同技术对**轨迹估计(trajectory estimation)** 精度的影响 - 核心采用**Kullback-Leibler散度(Kullback-Leibler Divergence, KL散度)** 作为相似度评分，并作为偏置影响**回环闭合(loop closure)** 置信度 - 另外两种技术作为对比方法，但未在摘要中详述其具体实现
💡 核心创新
- **首次** 将**Kullback-Leibler散度(KL divergence)** 应用于多会话低动态地面纹理SLAM场景 - 创新性地将KL散度同时用作**相似度评分** 和**回环置信度偏置**，有效提升轨迹估计精度 - 贡献了一个新的**多会话地面纹理数据集**，包含会话间地面积变化的高精度位姿信息，填补了该领域的数据空白
🏆 总体贡献
- 验证了KL散度在多会话低动态地面纹理SLAM中的有效性，并进行了深入分析 - 为机器人社区提供了一个可用于评估多会话地面纹理SLAM的开源数据集 - 比较了三种方法的性能，明确了KL散度在轨迹估计精度上的优势，为后续研究提供指导