Robust and Long-term Monocular Teach and Repeat Navigation using a Single-experience Map
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F21%3A00357706" target="_blank" >RIV/68407700:21230/21:00357706 - isvavai.cz</a>
Výsledek na webu
<a href="https://doi.org/10.1109/IROS51168.2021.9635886" target="_blank" >https://doi.org/10.1109/IROS51168.2021.9635886</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/IROS51168.2021.9635886" target="_blank" >10.1109/IROS51168.2021.9635886</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Robust and Long-term Monocular Teach and Repeat Navigation using a Single-experience Map
Popis výsledku v původním jazyce
This paper presents a robust monocular visual teach-and-repeat (VT&R) navigation system for long-term operation in outdoor environments. The approach leverages deep-learned descriptors to deal with the high illumination variance of the real world. In particular, a tailored self-supervised descriptor, DarkPoint, is proposed for autonomous navigation in outdoor environments. We seamlessly integrate the localisation with control, in which proportional-integral control is used to eliminate the visual error with the pitfall of the unknown depth. Consequently, our approach achieves day-to-night navigation using a single-experience map and is able to repeat complex and fast manoeuvres. To verify our approach, we performed a vast array of navigation experiments in various outdoor environments, where both navigation accuracy and robustness of the proposed system are investigated. The experimental results show that our approach is superior to the baseline method with regards to accuracy and robustness.
Název v anglickém jazyce
Robust and Long-term Monocular Teach and Repeat Navigation using a Single-experience Map
Popis výsledku anglicky
This paper presents a robust monocular visual teach-and-repeat (VT&R) navigation system for long-term operation in outdoor environments. The approach leverages deep-learned descriptors to deal with the high illumination variance of the real world. In particular, a tailored self-supervised descriptor, DarkPoint, is proposed for autonomous navigation in outdoor environments. We seamlessly integrate the localisation with control, in which proportional-integral control is used to eliminate the visual error with the pitfall of the unknown depth. Consequently, our approach achieves day-to-night navigation using a single-experience map and is able to repeat complex and fast manoeuvres. To verify our approach, we performed a vast array of navigation experiments in various outdoor environments, where both navigation accuracy and robustness of the proposed system are investigated. The experimental results show that our approach is superior to the baseline method with regards to accuracy and robustness.
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/GC20-27034J" target="_blank" >GC20-27034J: Rozšíření prostorových modelů explicitní representací času pro dlouhodobou autonomii mobilních robotů</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2021
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
2021 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)
ISBN
978-1-6654-1714-3
ISSN
2153-0858
e-ISSN
2153-0866
Počet stran výsledku
8
Strana od-do
2635-2642
Název nakladatele
IEEE
Místo vydání
Piscataway
Místo konání akce
Praha
Datum konání akce
27. 9. 2021
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000755125502025