* [[Media:NewCollege.rar|NewCollege.rar]] 1073 images at ~0.5 Hz (left and right images merged) (updated October 15 2014)
* [[Media:NewCollege.png|NewCollege.png]] 1073 images at ~0.5 Hz (left and right images merged) (updated October 15 2014)
* [[Media:CityCentre.rar|CityCentre.rar]] 1237 images at ~0.5 Hz (left and right images merged) (updated October 14 2014)
* [[Media:CityCentre.png|CityCentre.png]] 1237 images at ~0.5 Hz (left and right images merged) (updated October 14 2014)
* [[Media:Lip6Indoor.rar|Lip6Indoor.rar]] 388 images at 1 Hz
* [[Media:Lip6Indoor.png|Lip6Indoor.png]] 388 images at 1 Hz
* [[Media:Lip6Outdoor.rar|Lip6Outdoor.rar]] 531 images at 0.5 Hz
* [[Media:Lip6Outdoor.rar|Lip6Outdoor.rar]] 531 images at 0.5 Hz
* [[Media:Eynsham70km.rar|Eynsham70km.rar]] 5519 images at ~1 Hz (Note that we removed some images of the original data set to have an approximately image rate of 1 Hz)
* [[Media:Eynsham70km.rar|Eynsham70km.rar]] 5519 images at ~1 Hz (Note that we removed some images of the original data set to have an approximately image rate of 1 Hz)
Line 230:
Line 230:
''Ground truths'':
''Ground truths'':
* [[Media:NewCollege.rar|NewCollege.rar]] 1073 images à ~0.5 Hz (les images de gauche et de droite fusionnées) (mise à jour 15 Octobre 2014)
* [[Media:NewCollege.png|NewCollege.png]] 1073 images à ~0.5 Hz (les images de gauche et de droite fusionnées) (mise à jour 15 Octobre 2014)
* [[Media:CityCentre.rar|CityCentre.rar]] 1237 images à ~0.5 Hz (les images de gauche et de droite fusionnées) (mise à jour 14 Octobre 2014)
* [[Media:CityCentre.png|CityCentre.png]] 1237 images à ~0.5 Hz (les images de gauche et de droite fusionnées) (mise à jour 14 Octobre 2014)
* [[Media:Lip6Indoor.rar|Lip6Indoor.rar]] 388 images à 1 Hz
* [[Media:Lip6Indoor.png|Lip6Indoor.png]] 388 images à 1 Hz
* [[Media:Lip6Outdoor.rar|Lip6Outdoor.rar]] 531 images à 0.5 Hz
* [[Media:Lip6Outdoor.rar|Lip6Outdoor.rar]] 531 images à 0.5 Hz
* [[Media:Eynsham70km.rar|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.)
* [[Media:Eynsham70km.rar|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.)
Revision as of 18:44, 16 October 2014
<analytics uacct="UA-27707792-1" ></analytics>
<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 ten 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 dix 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 SeMoLearning) :
</english><french>
Exemple d'apprentissage sensorimoteur en utilisant directement cette approche de détection de fermeture de boucle (nouveau dans SeMoLearning) :
</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, “Online Global Loop Closure Detection for Large-Scale Multi-Session Graph-Based SLAM,” in Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems, 2014. (pdf)
Labbé, M., Michaud., F. (2013), “Appearance-based loop closure detection in real-time for large-scale and long-term operation,” IEEE Transactions on Robotics, vol. 29, no. 3, pp. 734-745. (pdf) (IEEE Xplore)
Labbé, M., Michaud, F. (2011), “Memory management for real-time appearance-based loop closure detection,” in Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems. (pdf) (IEEE Xplore)
RTAB-Map : Real-Time Appearance-Based Mapping</english><french>
