Community data sets from other loop closure detection approaches :
Community data sets from other loop closure detection approaches :
* Angeli et al. : [http://cogrob.ensta.fr/loopclosure.html Lip6Indoor et Lip6Outdoor]
* Angeli et al. : [http://cogrob.ensta.fr/loopclosure.html Lip6Indoor et Lip6Outdoor]
Line 118:
Line 134:
Ground truths (readable by RTAB-Map) :
Ground truths (readable by RTAB-Map) :
* [[Media:NewCollege.rar|NewCollege.rar]] (with the left and right images merged)
* [[Media:NewCollege.rar|NewCollege.rar]] 1073 images at ~0.5 Hz (left and right images merged)
* [[Media:CityCentre.rar|CityCentre.rar]] (with the left and right images merged)
* [[Media:CityCentre.rar|CityCentre.rar]] 1237 images at ~0.5 Hz (left and right images merged)
* [[Media:Lip6Indoor.rar|Lip6Indoor.rar]]
* [[Media:Lip6Indoor.rar|Lip6Indoor.rar]] 388 images at 1 Hz
* [[Media:Lip6Outdoor.rar|Lip6Outdoor.rar]]
* [[Media:Lip6Outdoor.rar|Lip6Outdoor.rar]] 531 images at 0.5 Hz
</english>
</english>
<french>
<french>
Revision as of 18:46, 25 July 2011
<english>RTAB-Map : Real-Time Appearance-Based Mapping</english><french>RTAB-Map : Cartographie temps réel basée sur l'apparence de l'environnement </french>
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.
RTAB-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 respecting real-time limit for long-term operation. 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. RTAB-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, respectant ainsi la limite de temps réel à long terme. 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>
Example of sensorimotor learning using directly this loop closure detection approach (new in RTAB-Map 0.3) :
</english><french>
Exemple d'apprentissage sensorimoteur en utilisant directement cette approche de détection de fermeture de boucle (nouveau dans RTAB-Map 0.3) :
</french>
M. Labbé and F. Michaud, “Memory management for real-time appearance-based loop closure detection,” in Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems, 2011. (Accepted)
