[论文解读] Exploration of Indoor Environments Predicting the Layout of Partially Observed Rooms

Matteo Luperto, Luca Fochetta+1 more|arXiv (Cornell University)|Apr 15, 2020

Robotics and Sensor-Based Localization参考文献 28被引用 4

一句话总结

本文提出了一种新型移动机器人探索策略，通过利用几何规律预测部分观测到的室内房间布局，从而基于预测可见区域选择下一个最佳观测点，并在预计无法发现显著新空间时提前终止探索。该方法显著减少了探索时间，尤其在布局预测变得准确的后期阶段效果更明显。

ABSTRACT

We consider exploration tasks in which an autonomous mobile robot incrementally builds maps of initially unknown indoor environments. In such tasks, the robot makes a sequence of decisions on where to move next that, usually, are based on knowledge about the observed parts of the environment. In this paper, we present an approach that exploits a prediction of the geometric structure of the unknown parts of an environment to improve exploration performance. In particular, we leverage an existing method that reconstructs the layout of an environment starting from a partial grid map and that predicts the shape of partially observed rooms on the basis of geometric features representing the regularities of the indoor environment. Then, we originally employ the predicted layout to estimate the amount of new area the robot would observe from candidate locations in order to inform the selection of the next best location and to early stop the exploration when no further relevant area is expected to be discovered. Experimental activities show that our approach is able to effectively predict the layout of partially observed rooms and to use such knowledge to speed up the exploration.

研究动机与目标

• 通过利用部分观测房间的预测几何布局，提升未知室内环境中自主机器人探索的效率。
• 通过利用预测布局指导观测点选择，超越传统基于前沿的方法，从而减少探索时间。
• 在预测显示不会再发现有意义的新区域时，实现探索的提前终止。
• 在不依赖平面图先验知识的前提下，将布局预测集成到实时探索决策中。
• 在大规模模拟环境和真实世界环境中验证该方法，涵盖不同程度的观测完整性。

提出的方法

• 该方法使用先前开发的布局重建技术，从部分网格地图重建已观测区域的布局，该技术将房间建模为多边形并过滤噪声。
• 通过利用结构化室内环境（如办公室和学校）中常见的几何规律（如共用墙体和对称性），预测部分观测房间的形状。
• 利用预测布局估算候选前沿位置的预期可见区域（I(p)），优于仅依赖激光扫描轮廓的标准方法。
• 提出一种新颖的早期停止（ES）准则，当预测未观测区域低于阈值（1 m²）时终止探索，该判断基于布局预测。
• 该方法在每个探索步骤动态更新布局预测，随着环境观测程度提高，逐步提升预测准确性。
• 该方法在大规模模拟室内环境中进行评估，并在先前工作中获得的真实地图上进行验证，结果表明其对传感器噪声和杂乱环境具有鲁棒性。

实验结果

研究问题

• RQ1 预测部分观测房间的布局是否能提升未知室内环境中机器人探索的效率？
• RQ2 与传统的基于前沿的策略相比，布局预测如何影响下一个最佳观测点的选择？
• RQ3 基于预测布局的早期停止在多大程度上能减少总探索时间，同时不牺牲地图完整性？
• RQ4 布局预测的准确性在探索过程中如何演变？其性能何时开始显著提升？
• RQ5 所提出的方法在实际场景中能否可靠处理真实传感器噪声和部分观测？

主要发现

• 当在探索完成90%时触发早期停止，所提方法平均可将探索时间减少50%，尽管偶尔会遗漏一个房间。
• 在95%的探索完成度下，早期停止准则平均将时间减少20%，成功完成地图构建，仅存在轻微的布局不准确。
• 在探索完成约90%之前，该方法与基线策略表现相似；但在后期阶段，由于布局预测准确，其性能显著优于基线。
• 当已知环境的80–90%时，预测布局能可靠估计部分观测房间的形状，从而实现有效的观测点评估。
• 在包含传感器杂乱的真实地图中，布局预测能有效过滤噪声，并为所有前沿提供未观测房间区域的准确估计。
• 结果表明，将布局预测集成到探索决策中可带来可测量的性能提升，尤其在预测准确性随环境观测程度提高时更为显著。