RTAB-Map

From IntRoLab

RTAB-Map RTAB-Map : Cartographie temps réel basée sur l'apparence de l'environnement

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.

<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

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

Vidéos

  • Nouveaux:
  • Anciens:

</french>

<english>

Source code

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

Images acquired in Need For Speed Most Wanted

</english> <french>

Code source

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

Images provenant de Need For Speed Most Wanted

</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.
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).
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 :

Ground truths:

</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.
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).
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 :

Ground truths:

</french>

Publications

  1. 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)
  2. 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)
  3. 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)
  4. 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)
  5. 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)
  6. 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>