Predictive and Adaptive Maps for Long-term Visual Navigation in Changing Environments
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F19%3A00338343" target="_blank" >RIV/68407700:21230/19:00338343 - isvavai.cz</a>
Výsledek na webu
<a href="https://doi.org/10.1109/IROS40897.2019.8967994" target="_blank" >https://doi.org/10.1109/IROS40897.2019.8967994</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/IROS40897.2019.8967994" target="_blank" >10.1109/IROS40897.2019.8967994</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Predictive and Adaptive Maps for Long-term Visual Navigation in Changing Environments
Popis výsledku v původním jazyce
In this paper, we compare different map management techniques for long-term visual navigation in changing environments. In this scenario, the navigation system needs to continuously update and refine its feature map in order to adapt to the environment appearance change. To achieve reliable long-term navigation, the map management techniques have to (i) select features useful for the current navigation task, (ii) remove features that are obsolete, (iii) and add new features from the current camera view to the map. We propose several map management strategies and evaluate their performance with regard to the robot localisation accuracy in long-term teach-and-repeat navigation. Our experiments, performed over three months, indicate that strategies which model cyclic changes of the environment appearance and predict which features are going to be visible at a particular time and location, outperform strategies which do not explicitly model the temporal evolution of the changes.
Název v anglickém jazyce
Predictive and Adaptive Maps for Long-term Visual Navigation in Changing Environments
Popis výsledku anglicky
In this paper, we compare different map management techniques for long-term visual navigation in changing environments. In this scenario, the navigation system needs to continuously update and refine its feature map in order to adapt to the environment appearance change. To achieve reliable long-term navigation, the map management techniques have to (i) select features useful for the current navigation task, (ii) remove features that are obsolete, (iii) and add new features from the current camera view to the map. We propose several map management strategies and evaluate their performance with regard to the robot localisation accuracy in long-term teach-and-repeat navigation. Our experiments, performed over three months, indicate that strategies which model cyclic changes of the environment appearance and predict which features are going to be visible at a particular time and location, outperform strategies which do not explicitly model the temporal evolution of the changes.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
<a href="/cs/project/GJ17-27006Y" target="_blank" >GJ17-27006Y: Prostorově temporální representace pro dlouhodobou navigaci mobilních robotů</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2019
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
2019 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)
ISBN
978-1-7281-4004-9
ISSN
2153-0858
e-ISSN
2153-0866
Počet stran výsledku
7
Strana od-do
7033-7039
Název nakladatele
IEEE
Místo vydání
Piscataway, NJ
Místo konání akce
Macau
Datum konání akce
4. 11. 2019
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—