CTAB-Map: Difference between revisions

From IntRoLab
No edit summary
No edit summary
Line 78: Line 78:
== Team ==
== Team ==
* [[Mathieu Labbé]]
* [[Mathieu Labbé]]
* [[François Michaud]]
* [http://www.gel.usherbrooke.ca/michaudf/ François Michaud]
</english>
</english>
<french>
<french>

Revision as of 22:32, 11 January 2011

<english>CTAB-Map : Constant-Time Appearance-Based Mapping</english><french>CTAB-Map : Cartographie temps réel basée sur l'apparence de l'environnement </french>

<english>

Description

Loop closure detection is the process involved when trying to find a match between the current and a previously visited locations in SLAM (Simultaneous Localization And Mapping). Over time, the amount of time required to process new observations increases with the size of the internal map, which may affect real-time processing. CTAB-Map is a novel real-time loop closure detection approach for large-scale and long-term SLAM. Our approach is based on efficient memory management to keep computation time for each new observation under a fixed time limit, thus achieving O(1) complexity. Results demonstrate the approach's adaptability and scalability using one custom data set and four standard data sets. </english> <french>

Description

La détection de fermeture de boucle est le processus impliqué en SLAM (localisation et cartographie simultanées) lorsqu'on tente de trouver une correspondance entre un endroit présent et un autre déjà visité. Plus la carte interne augmente en taille, plus le temps requis pour la détection de fermeture de boucle augmente, ce qui peut affecter le traitement en temps réel. CTAB-Map est une nouvelle approche de détection de fermeture de boucle fonctionnant en temps réel pour du SLAM à grande échelle et à long terme. Notre approche est basée sur une gestion efficace de la mémoire afin de garder le temps de calcul en dessous d'un seuil de temps, accomplissant une complexité O(1). En utilisant quatre ensembles de données standards et notre propre ensemble de données dérivées d'un parcours de plus de 2 km rassemblant des conditions diverses, les résultats démontrent l'adaptabilité et l'extensibilité de notre approche. </french>

<english>

Results

Summary of the loop closures detected on UdeS1Hz data set :

  • Green : Loop closures detected
  • Yellow : Loop closures rejected
  • Red : Unable to detect a loop closure because old places could not be retrieved

Processing time for each image acquired (real-time limit fixed to 700 ms):

</english> <french>

Résultats

Sommaire des détection de boucles sur l'ensemble de données UdeS1Hz :

  • Vert : Fermetures de boucle acceptées
  • Jaune : Fermetures de boucle rejetées
  • Rouge : Impossibilité de détecter une fermeture de boucle car les anciens endroits n'ont pu être remémorisés

Temps d'exécution pour chaque itération (limite temps réel fixée à 700 ms)

</french>

<english>

Source code

The code was tested on Windows (Xp, 7), Mac OS X 10.6 and Ubuntu 10.4LTS.

</english> <french>

Code source

Le code a été testé sur Windows (Xp, 7), Mac OS X 10.6 et Ubuntu 10.4LTS.

</french>

<english>

UdeS1Hz data set

</english> <french>

Ensemble de données UdeS1Hz

</french>

Publications

Labbé, M., Michaud, F. (2011), “Memory management approach for real-time appearance-based loop closure detection,” To appear in IEEE Transactions on Robotics.

<english>

Team

</english> <french>

Équipe

</french>