* Images taken from the racing video game Need For Speed: Most Wanted.
* Images taken from the racing video game Need For Speed: Most Wanted.
* 2 areas visited hundred times each (100 traversals in area 1 then moved to area 2 for another 102 traversals).
* 2 areas visited hundred times each (100 traversals in area 1 then moved to area 2 for another 102 traversals).
* 25098 images at 1 Hz (7 hours).
<gallery perrow=5>
<gallery perrow=5>
File:NFSMW_1Hz_map.png
File:NFSMW_1Hz_map.png
Line 186:
Line 186:
'''NFSMW'''
'''NFSMW'''
* 25098 images à 1 Hz (7 heures).
* Images prises dans le jeu vidéo de course Need For Speed: Most Wanted.
* Images prises dans le jeu vidéo de course Need For Speed: Most Wanted.
* 2 zones ont été visités 100 fois chaque (100 boucles dans la zone 1 et ensuite 102 boucles dans la zone 2).
* 2 zones ont été visités 100 fois chaque (100 boucles dans la zone 1 et ensuite 102 boucles dans la zone 2).
* 25098 images à 1 Hz (7 heures).
<gallery perrow=5>
<gallery perrow=5>
File:NFSMW_1Hz_map.png
File:NFSMW_1Hz_map.png
Revision as of 15:11, 25 August 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 two custom data sets and five 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 cinq ensembles de données standards, notre propre ensemble de données dérivées d'un parcours de plus de 2 km rassemblant des conditions diverses et notre ensemble de données montrant un parcours où le robot visite les mêmes endroits une centaine de fois, 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>
Eynsham70km.rar 5519 images à ~1 Hz (Noter que nous avons enlevés des images de l'ensemble données original pour avoir une fréquence d'acquisition d'images d'environ 1 Hz.)
</french>
Publications
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)
