Benchmarking SLAM and supervised learning methods in challenging real-world environments

Ein autonomer Roboter, der in unbekannten Umgebungen navigieren und damit interagieren soll, muss seine räumliche Position genau abschätzen und detektierte Objekte eigenständig identifizieren können. Um dies zu erreichen, wird Simultaneous Localisation and Mapping (SLAM) in Verbindung mit überwachtem Lernen zur Objekterkennung und -klassifizierung eingesetzt. Angesichts des breiten Angebots an Open-Source-Lösungen zielt diese Arbeit darauf ab, Ansätze zu finden, die sich am besten für komplexe reale Situationen eignen, und deren Performance zu bewerten. Die Sensordaten für die Analyse stammen aus der öffentlich zugänglichen EnvoDat-Datenbank, die speziell für diesen Zweck erstellt wurde. Die Prüfung untersucht LiDAR-basierte (FAST-LIO 2, GLIM, DLIO, HDL-SLAM) und visuell basierte (RTAB-Map) 3D-SLAM-Ansätze sowie vortrainierte überwachte Lernmodelle (YOLOv8 und YOLOv12). Wie die Ergebnisse zeigen, liefert die LIO-Methode (LiDAR-Inertial Odometry) im Allgemeinen überlegene und konsistente Ergebnisse in allen Umgebungen. Die Effektivität der evaluierten Lernmodelle nimmt jedoch unter schwierigen Lichtverhältnissen deutlich ab, was sich in einem Rückgang der mittleren durchschnittlichen Genauigkeit (mAP) widerspiegelt.