RTAB-Map
RTAB-Map : Cartographie temps réel basée sur l'apparence de l'environnement
<english>
Description
This page is about the loop closure detection approach used by RTAB-Map. For RGB-D mapping, visit introlab.github.io/rtabmap.
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
Cette page est à propos de l'approche de détection de fermeture de boucle utilisée dans RTAB-Map. Pour la cartographie RGB-D, visitez introlab.github.io/rtabmap.
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>
Results
Note that these results (more recent) may differ from those in the presentation video above...
Figure 1: Summary of the loop closures detected on UdeS data set :
- Green : Loop closures detected
- Yellow : Loop closures rejected
- Red : Unable to detect a loop closure because old places could not be retrieved
Figure 2: Processing time for each image acquired (real-time limit fixed to 700 ms for an image rate of 1 Hz)
Figure 3: Precision-Recall (48% recall at 100% precision)
Reproduce the loop closure detection results
- Visit the Benchmark wiki page on RTAB-Map's GitHub. The ground truths can be downloaded below.
Videos
- Newer:
- Older:
</english> <french>
Résultats
À noter que les résultats (plus récents) présentés ici peuvent différer de ceux dans le vidéo...
Figure 1: Sommaire des détection de boucles sur l'ensemble de données UdeS :
- 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
Figure 2: Temps d'exécution pour chaque itération (limite temps réel fixée à 700 ms pour un temps d'acquisition de 1 seconde)
Figure 3: Precision-Recall (48% recall à 100% precision)
Reproduire les résultats de détection de boucles
- Visitez la page wiki Benchmark sur le GitHub de RTAB-Map's. Les "ground truths" peuvent être téléchargés en bas de la page.
Vidéos
- Nouveaux:
- Anciens:
</french>
<english>
Source code
The code was tested on Windows (Xp, 7), Mac OS X 10.6 and Ubuntu 10.4LTS.
- Standalone application, libraries and ROS packages : introlab.github.io/rtabmap
</english> <french>
Code source
Le code a été testé sur Windows (Xp, 7), Mac OS X 10.6 et Ubuntu 10.4LTS.
- Logiciel "stand-alone", bibliothèques logicielles et noeuds ROS : introlab.github.io/rtabmap
</french> <english>
Data sets
UdeS
- 5395 images at 1 Hz (1.5 hours).
- Images taken while walking through a loop of ~2 km, traversed two times.
- The data set contains indoor and outdoor environments.
-
-
-
-
-
-
-
-
-
-
Rain!
-
Compare illumination and camera orientation with the next image...
-
-
Elevator door...
-
-
UdeS_1Hz.part1.rar UdeS_1Hz.part2.rar UdeS_1Hz.part3.rar UdeS_1Hz GroundTruth
NFSMW
- 25098 images at 1 Hz (7 hours).
- 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).
-
-
-
-
-
-
Compare illumination with the next image...
-
-
-
-
NFSMW_1Hz.part01.rar NFSMW_1Hz.part02.rar NFSMW_1Hz.part03.rar NFSMW_1Hz.part04.rar NFSMW_1Hz.part05.rar NFSMW_1Hz.part06.rar NFSMW_1Hz.part07.rar NFSMW_1Hz.part08.rar
Community
Community data sets from other loop closure detection approaches :
- Angeli et al. : Lip6Indoor and Lip6Outdoor
- Cummins et al. (FAB-MAP) : NewCollege and CityCentre
- Cummins et al. (FAB-MAP 2.0) : Eynsham (70 km)
- Maddern et al. : NewCollege omnidirectionnal images
- Kawewong et al. (PIRF-Nav 2.0): CrowdedCanteen
- Ga ́lvez-Lo ́pez et al. : Bovisa and Bicocca
- Blanco et al. : Malaga 2009
Ground truths:
- NewCollege.png 1073 images at ~0.5 Hz (left and right images merged)
- CityCentre.png 1237 images at ~0.5 Hz (left and right images merged)
- Lip6Indoor.png 388 images at 1 Hz
- Lip6Outdoor.png 531 images at 0.5 Hz
- Eynsham70km.png 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)
- NewCollegeOmni.png 1626 images at 1 Hz
- CrowdedCanteen.png 692 images at 2 Hz
- BicoccaIndoor-2009-02-25b.png 1757 images at 1 Hz
- BovisaOutdoor-2008-10-04.png 2277 images at 1 Hz
- BovisaMixed-2008-10-06.png 2147 images at 1 Hz
- malaga2009_campus_2L.png 653 images at ~1 Hz
- malaga2009_parking_6L.png 435 images at ~1 Hz
</english> <french>
Ensembles de données
UdeS
- 5395 images à 1 Hz (1,5 heures).
- Images prises en marchant sur un trajet de ~2 km, parcouru deux fois.
- L'ensemble de données contient des images prises à l'intérieur et à l'extérieur.
-
-
-
-
-
-
-
-
-
-
De la pluie!
-
Comparer l'illumination et l'orientation de la caméra avec l'image suivante...
-
-
Porte d'ascenseur...
-
-
UdeS_1Hz.part1.rar UdeS_1Hz.part2.rar UdeS_1Hz.part3.rar UdeS_1Hz GroundTruth
NFSMW
- 25098 images à 1 Hz (7 heures).
- 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).
-
-
-
-
-
-
Comparer l'illumination avec l'image suivante...
-
-
-
-
NFSMW_1Hz.part01.rar NFSMW_1Hz.part02.rar NFSMW_1Hz.part03.rar NFSMW_1Hz.part04.rar NFSMW_1Hz.part05.rar NFSMW_1Hz.part06.rar NFSMW_1Hz.part07.rar NFSMW_1Hz.part08.rar
Communauté
Ensembles de données provenant d'autres approches de détection de fermeture de boucle :
- Angeli et al. : Lip6Indoor et Lip6Outdoor
- Cummins et al. (FAB-MAP) : NewCollege et CityCentre
- Cummins et al. (FAB-MAP 2.0) : Eynsham (70 km)
- Maddern et al. : NewCollege omnidirectionnal images
- Kawewong et al. (PIRF-Nav 2.0): CrowdedCanteen
- Ga ́lvez-Lo ́pez et al. : Bovisa et Bicocca
- Blanco et al. : Malaga 2009
Ground truths:
- NewCollege.png 1073 images à ~0.5 Hz (les images de gauche et de droite fusionnées)
- CityCentre.png 1237 images à ~0.5 Hz (les images de gauche et de droite fusionnées)
- Lip6Indoor.png 388 images à 1 Hz
- Lip6Outdoor.png 531 images à 0.5 Hz
- Eynsham70km.png 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.)
- NewCollegeOmni.png 1626 images à 1 Hz
- CrowdedCanteen.png 692 images à 2 Hz
- BicoccaIndoor-2009-02-25b.png 1757 images à 1 Hz
- BovisaOutdoor-2008-10-04.png 2277 images à 1 Hz
- BovisaMixed-2008-10-06.png 2147 images à 1 Hz
- malaga2009_campus_2L.png 653 images à ~1 Hz
- malaga2009_parking_6L.png 435 images à ~1 Hz
</french>
Publications
- M. Labbé and F. Michaud, “Multi-Session Visual SLAM for Illumination-Invariant Re-Localization in Indoor Environments,” in Frontiers in Robotics and AI, vol. 9, 2022. (pdf) (Frontiers)
- M. Labbé and F. Michaud, “RTAB-Map as an Open-Source Lidar and Visual SLAM Library for Large-Scale and Long-Term Online Operation,” in Journal of Field Robotics, vol. 36, no. 2, pp. 416–446, 2019. (pdf) (Wiley)
- M. Labbé and F. Michaud, “Long-term online multi-session graph-based SPLAM with memory management,” in Autonomous Robots, vol. 42, no. 6, pp. 1133-1150, 2017. (pdf) (Springer)
- 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) (IEEE Xplore)
- 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)
Presentations
- M. Labbé, "Simultaneous Localization and Mapping (SLAM) with RTAB-Map", Université Laval, Québec, November 2015 (slides pdf)
<english>
Team
</english> <french>
Équipe
</french>
