Dream-SLAM: Активный SLAM с предвидением для динамических сред

Активный SLAM с предвидением: Dream-SLAM для динамических сред

Современные системы одновременной локализации и картографирования (SLAM) не ограничиваются только определением местоположения робота и построением карты окружения. Активный SLAM, в свою очередь, предполагает планирование действий робота для эффективного и оптимального исследования неизведанных пространств. Однако существующие решения сталкиваются с рядом проблем.

Во-первых, они ограничены возможностями используемых SLAM-модулей. Во-вторых, стратегии планирования движения часто рассматривают лишь ближайшую перспективу, не обладая долгосрочным видением. И, в-третьих, большинство подходов испытывают трудности при работе в динамичных сценах.

Для решения этих проблем предложен новый метод активного монокулярного SLAM – Dream-SLAM. Он основан на генерации “видений” – кросс-пространственно-временных изображений и семантически правдоподобных структур частично наблюдаемой динамической среды.

Принцип работы Dream-SLAM

Сгенерированные “видения” объединяются с реальными наблюдениями для снижения влияния шума и восполнения недостающих данных. Это приводит к более точной оценке положения камеры и созданию более связной трехмерной модели окружения. Кроме того, Dream-SLAM объединяет “увиденное” и “предсказанное” для обеспечения планирования на длительный горизонт, что позволяет создавать перспективные траектории, способствующие эффективному и всестороннему исследованию.

Результаты и перспективы

Проведенные эксперименты на публичных и специально собранных датасетах показали, что Dream-SLAM превосходит современные методы по точности локализации, качеству построения карты и эффективности исследования. Исходный код будет опубликован после принятия научной статьи.