Comparative Evaluation of RGB-D SLAM Methods for Humanoid Robot Localization and Mapping

📄 arXiv: 2401.02816v1 📥 PDF

作者: Amirhosein Vedadi, Aghil Yousefi-Koma, Parsa Yazdankhah, Amin Mozayyan

分类: cs.RO

发布日期: 2024-01-05

备注: 6 pages, 11th RSI International Conference on Robotics and Mechatronics (ICRoM 2023)

💡 一句话要点

比较评估三种RGB-D SLAM算法以提升人形机器人定位与地图构建

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱三：空间感知与语义 (Perception & Semantics)

关键词: RGB-D SLAM 人形机器人 定位与地图构建 ORB-SLAM3 RTAB-Map OpenVSLAM 实验评估 环境感知

📋 核心要点

  1. 现有RGB-D SLAM方法在特征点稀少环境下的定位精度不足，尤其在遇到墙壁时表现不佳。
  2. 本文通过比较三种SLAM算法，评估其在不同环境下的定位与地图构建能力，提出了系统的实验方法。
  3. 实验结果显示，ORB-SLAM3在定位精度上优于其他算法，而RTAB-Map在地图构建多样性方面表现突出。

📝 摘要（中文）

本文对三种RGB-D SLAM（同时定位与地图构建）算法进行了比较评估，分别是RTAB-Map、ORB-SLAM3和OpenVSLAM，应用于SURENA-V人形机器人的定位与地图构建。实验中，机器人在全圆形路径上移动，头部安装了Intel RealSense D435 RGB-D相机。在定位精度评估中，ORB-SLAM3表现最佳，平均绝对轨迹误差（ATE）为0.1073，其次是RTAB-Map（0.1641）和OpenVSLAM（0.1847）。然而，ORB-SLAM3和OpenVSLAM在机器人遇到特征点稀少的墙壁时，保持准确里程计的能力受到挑战。尽管如此，OpenVSLAM在机器人接近初始位置时成功检测到回环并重新定位。关于地图构建能力，RTAB-Map在提供多样化地图输出方面表现优异，包括稠密地图、OctoMap和占用网格地图，而ORB-SLAM3和OpenVSLAM仅提供稀疏地图。

🔬 方法详解

问题定义：本文旨在解决现有RGB-D SLAM算法在特征点稀少环境下的定位精度不足问题，尤其是在机器人遇到墙壁时的里程计失效现象。

核心思路：通过对三种SLAM算法的比较，评估其在不同环境下的性能，探索各算法在定位与地图构建中的优势与不足。

技术框架：实验中，机器人在全圆形路径上移动，使用Intel RealSense D435 RGB-D相机进行数据采集。评估指标包括平均绝对轨迹误差（ATE）和地图构建的多样性。

关键创新：本文的创新在于系统性地比较了三种不同的SLAM算法在相同实验条件下的表现，揭示了各算法在特定环境下的适用性与局限性。

关键设计：实验中，设置了不同的环境条件，重点关注机器人在特征点稀少情况下的表现，采用了标准化的评估指标以确保结果的可比性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，ORB-SLAM3在定位精度上表现最佳，平均绝对轨迹误差（ATE）为0.1073，明显优于RTAB-Map（0.1641）和OpenVSLAM（0.1847）。尽管ORB-SLAM3和OpenVSLAM在特征点稀少环境下存在挑战，OpenVSLAM成功实现了回环检测与重新定位，展示了其在特定场景下的优势。

🎯 应用场景

该研究的潜在应用领域包括人形机器人在复杂环境中的自主导航、智能家居中的机器人定位与地图构建，以及增强现实和虚拟现实中的环境感知。通过提高SLAM算法的性能，可以显著提升机器人在动态和未知环境中的适应能力，推动智能机器人技术的发展。

📄 摘要（原文）

In this paper, we conducted a comparative evaluation of three RGB-D SLAM (Simultaneous Localization and Mapping) algorithms: RTAB-Map, ORB-SLAM3, and OpenVSLAM for SURENA-V humanoid robot localization and mapping. Our test involves the robot to follow a full circular pattern, with an Intel RealSense D435 RGB-D camera installed on its head. In assessing localization accuracy, ORB-SLAM3 outperformed the others with an ATE of 0.1073, followed by RTAB-Map at 0.1641 and OpenVSLAM at 0.1847. However, it should be noted that both ORB-SLAM3 and OpenVSLAM faced challenges in maintaining accurate odometry when the robot encountered a wall with limited feature points. Nevertheless, OpenVSLAM demonstrated the ability to detect loop closures and successfully relocalize itself within the map when the robot approached its initial location. The investigation also extended to mapping capabilities, where RTAB-Map excelled by offering diverse mapping outputs, including dense, OctoMap, and occupancy grid maps. In contrast, both ORB-SLAM3 and OpenVSLAM provided only sparse maps.