Domain adaptation and long-term maintenance of invisible maps to enable low-cost autonomous navigation of robots in urban environments

隐形地图的领域适应和长期维护，使机器人在城市环境中实现低成本自主导航

• 批准号: 21K14121
• 负责人: MIYAGUSUKU・RIOS RENATO
• 金额: $ 3万
• 依托单位: Utsunomiya University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Early-Career Scientists
• 财政年份: 2021
• 资助国家: 日本
• 起止时间: 2021-04-01 至 2024-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-21K14121/
• 关键词: 自律移動ロボット; 不可視地図; ドメイン適応; 確率ロボティクス; 長期地図作成

This research proposes the use of "invisible maps" to enable reliable and low-cost localization on existing robots in dense crowds and dynamic environments. A major challenge to making this technology widely adopted is that the memory/computational cost required for large-scale mapping can be prohibitive. An additional challenge when considering the long-term deployment of robots is map maintenance.This year, extensive data collection has been performed using the devices developed the prior year. This data will be compared to similar data to be acquired the next year, to enable long-term performance comparisons, in particular localization accuracy degradation when using older maps.This year's main focus has been on the creation of large-scale and long-term maps. Using both adaptive grid mapping and data compression, a method has been developed which allows for large-scale invisible map creation even using low-spec computers. Long-term mapping has been achieved by developing an algorithm that can update the likelihood of changes per grid on a map. If the likelihood surpasses a set threshold, the system starts favoring newer information. Both methods are compatible and combined, enable large-scale, long-term mapping.

这项研究提出，在密集人群和动态环境中，使用“隐形地图”可以在现有机器人上实现可靠和低成本的定位。使这项技术被广泛采用的一个主要挑战是，大规模映射所需的内存/计算成本可能高得令人望而却步。在考虑机器人的长期部署时，另一个挑战是地图维护。今年，使用前一年开发的设备进行了广泛的数据收集。这些数据将与明年将获得的类似数据进行比较，以便进行长期性能比较，特别是在使用较旧地图时定位精度下降。今年的主要重点一直是创建大比例尺和长期地图。利用自适应网格映射和数据压缩，已经开发出一种即使使用低性能计算机也可以创建大规模不可见地图的方法。通过开发一种算法来更新地图上每个网格的变化可能性，已经实现了长期地图绘制。如果可能性超过设定的阈值，系统就会开始偏爱更新的信息。这两种方法兼容并结合在一起，能够进行大规模、长期的测绘。

项目成果

Relaxing Correlation Assumptions for Data Fusion from Multiple Access Points for Wifi-based Robot Localization

放宽来自多个接入点的数据融合的相关性假设，以实现基于 Wifi 的机器人定位

• 发表时间: 2022
• 作者: 高野睦巳;江丸 貴紀; Ravankar Ankit A.;橋本 悠矢，ミヤグスク レナート，尾崎功一;Miyagusuku Renato
• 通讯作者: Miyagusuku Renato

大域的自己位置推定の実現に向けた指向性アンテナを用いたWiFi信号の到来角推定

利用定向天线估计WiFi信号到达角，实现全局自定位估计

• 发表时间: 2022
• 期刊: 第40回日本ロボット学会学術講演会予稿集（RSJ2022）
• 作者: 高野睦巳;江丸 貴紀; Ravankar Ankit A.;橋本 悠矢，ミヤグスク レナート，尾崎功一
• 通讯作者: 橋本 悠矢，ミヤグスク レナート，尾崎功一