抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
同時位置決めとマッピング(SLAM)は,自律ナビゲーションにおける臨界能力であるが,SLAMを「寿命長」SLAMの設定にスケールするために,特にメモリまたは計算制約の下で,ロボットはどのような情報を保持すべきか,そして何が安全に忘れるかを決定する必要がある。グラフベースSLAMにおいて,姿勢グラフにおけるエッジ数(測定)は,ロボットの観測を記憶するメモリ要求と,それらの観察を用いて状態推定を行うためのアルゴリズムの計算費用の両方を決定する。両者は,長期ナビゲーションの間,無限に成長することができる。これに取り組むために,姿勢グラフSLAM解の推定誤差を制御することが示されている重要な量である,スパース化測定グラフの代数的連結性を最大化する姿勢グラフスパース化のためのスペクトルアプローチを提案した。本アルゴリズムは,凸緩和に基づくMAC(最大代数的連結性を最大化)は簡単で計算的に安価であり,解の品質に関する形式的事後性能保証を保証する。ベンチマーク姿勢グラフSLAMデータセットに関する実験において,提案アプローチはグラフの連結性を保持し,次に,グラフ接続性を考慮しないベースラインアプローチと比較して,対応するSLAM解の品質を保持する高品質スパース化結果を迅速に生成することを示した。【JST・京大機械翻訳】