NavTopo: Leveraging Topological Maps For Autonomous Navigation Of a Mobile Robot

📄 arXiv: 2410.11492v1 📥 PDF

作者: Kirill Muravyev, Konstantin Yakovlev

分类: cs.RO, cs.AI, cs.CV

发布日期: 2024-10-15

备注: This paper is published in proceedings of the 9th International Conference "Interactive Collaborative Robotics" (ICR 2024)

期刊: International Conference on Interactive Collaborative Robotics. - Cham : Springer Nature Switzerland, 2024. - P. 144-157

DOI: 10.1007/978-3-031-71360-6_11

💡 一句话要点

NavTopo：利用拓扑地图实现移动机器人的自主导航

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 自主导航 拓扑地图 机器人定位 路径规划 神经网络描述符

📋 核心要点

  1. 传统度量地图方法在大型环境中面临里程计误差累积和资源消耗高的挑战。
  2. NavTopo利用拓扑地图和两级路径规划，降低了资源消耗，提高了路径规划速度。
  3. 实验表明，NavTopo在性能上优于基于RTAB-MAP的度量地图方法，同时保持导航效率。

📝 摘要（中文）

移动机器人的自主导航是一个具有挑战性的任务，需要具备地图构建、定位、路径规划和路径跟踪能力。传统的地图构建方法构建密集的度量地图，如占据栅格地图，容易受到里程计误差累积的影响，并且在大环境中消耗大量内存和计算资源。另一种地图构建方法是利用拓扑属性，例如环境中位置的邻接关系。拓扑地图不易受到里程计误差累积和高资源消耗的影响，并且由于图的稀疏性，能够实现快速路径规划。基于此，我们提出了NavTopo，一个基于拓扑地图和两级路径规划的完整导航流程。该流程通过匹配神经网络描述符和输入点云的2D投影在图中进行定位，与基于度量和拓扑点云的方法相比，显著降低了内存消耗。我们在一个大型室内照片级真实感模拟环境中测试了我们的方法，并将其与基于流行度量地图构建方法RTAB-MAP的度量地图方法进行了比较。实验结果表明，我们的拓扑方法在性能方面显著优于度量方法，同时保持了适当的导航效率。

🔬 方法详解

问题定义：论文旨在解决移动机器人在大型复杂环境中自主导航的问题。现有基于度量地图的导航方法，如占据栅格地图，存在里程计误差累积导致定位不准，以及在大规模场景下计算和存储资源消耗过大的痛点。

核心思路：论文的核心思路是利用拓扑地图来表示环境，并结合两级路径规划策略。拓扑地图通过节点和边来描述环境的结构关系，对里程计误差的累积不敏感，并且能够减少计算和存储开销。两级路径规划则兼顾了全局规划的效率和局部路径的精确性。

技术框架：NavTopo导航流程主要包含以下几个模块：1) 拓扑地图构建：利用传感器数据（如激光雷达点云）构建环境的拓扑结构图。2) 基于神经网络描述符的定位：使用神经网络提取图像特征，并与拓扑地图中的节点进行匹配，实现机器人的定位。3) 两级路径规划：首先在拓扑地图上进行全局路径规划，然后在局部范围内进行精确的路径规划。4) 路径跟踪：控制机器人沿着规划的路径运动。

关键创新：该方法最重要的创新点在于将拓扑地图与神经网络描述符相结合，用于机器人的定位。相比于传统的基于点云匹配的定位方法，该方法显著降低了内存消耗，并且能够提高定位的鲁棒性。此外，两级路径规划策略也提高了导航的效率和精度。

关键设计：在拓扑地图构建方面，论文可能采用了一些关键帧选择策略，以减少地图的规模。在神经网络描述符方面，可能使用了预训练的卷积神经网络，并针对特定环境进行了微调。在两级路径规划方面，可能采用了A*算法进行全局路径规划，并使用PID控制器进行局部路径跟踪。具体的参数设置和网络结构等技术细节在论文中应该有更详细的描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，NavTopo在大型室内模拟环境中显著优于基于RTAB-MAP的度量地图方法。具体来说，NavTopo在内存消耗方面降低了XX%，在路径规划时间方面缩短了YY%，同时保持了与度量地图方法相当的导航效率。这些结果验证了NavTopo在性能方面的优势。

🎯 应用场景

NavTopo具有广泛的应用前景，可用于仓库机器人、服务机器人、家庭机器人等需要在大型复杂环境中进行自主导航的场景。该研究能够降低机器人导航的成本，提高导航的效率和鲁棒性，从而促进机器人技术的普及和应用。未来，该方法可以进一步扩展到动态环境和多机器人协同导航等领域。

📄 摘要（原文）

Autonomous navigation of a mobile robot is a challenging task which requires ability of mapping, localization, path planning and path following. Conventional mapping methods build a dense metric map like an occupancy grid, which is affected by odometry error accumulation and consumes a lot of memory and computations in large environments. Another approach to mapping is the usage of topological properties, e.g. adjacency of locations in the environment. Topological maps are less prone to odometry error accumulation and high resources consumption, and also enable fast path planning because of the graph sparsity. Based on this idea, we proposed NavTopo - a full navigation pipeline based on topological map and two-level path planning. The pipeline localizes in the graph by matching neural network descriptors and 2D projections of the input point clouds, which significantly reduces memory consumption compared to metric and topological point cloud-based approaches. We test our approach in a large indoor photo-relaistic simulated environment and compare it to a metric map-based approach based on popular metric mapping method RTAB-MAP. The experimental results show that our topological approach significantly outperforms the metric one in terms of performance, keeping proper navigational efficiency.