Este artículo presenta una nueva implementación de NeoSLAM, un sistema de SLAM inspirado en la biología, y ofrece una evaluación comparativa con RatSLAM. La nueva implementación de NeoSLAM incorpora siete módulos principales: Visual Feature Extractor, Binary Projector, Neocortex, Spatial-View Cells, Pose Cells, Experience Map y Visual Odometry, todos implementados como nodos de ROS 2. La evaluación experimental utiliza tres conjuntos de datos distintos: el conjunto de Robotarium (5453 fotogramas a 13 FPS), el conjunto de iRat Australia (16657 fotogramas a 10 FPS) y el conjunto FIU MMC Lake, recopilado mediante un USV en la Florida International University.
Descripción general del sistema
La nueva implementación de NeoSLAM consta de siete módulos principales: Visual Feature Extractor, Binary Projector, Neocortex, Spatial-View Cells, Pose Cells, Experience Map y Visual Odometry. Los módulos se describen como nodos de ROS 2, junto con los temas de ROS correspondientes que representan el flujo de datos entre ellos.
Nodo Neocortex
El nodo Neocortex transforma la información visual binaria reducida en un formato que captura características espaciales y temporales, basado en los principios de Hierarchical Temporal Memory (HTM). Para facilitar la comprensión de este módulo, se describen las estructuras fundamentales necesarias para operar una red HTM: Sparse Distributed Representation (SDR), Spatial Pooler (SP) y Temporal Memory (TM).
La superposición entre dos SDR mide su similitud contando los bits activos que comparten:
La superposición se calcula como el número de bits activos comunes a ambos SDR
Se produce una coincidencia cuando la superposición supera un umbral predefinido:
Se declara una coincidencia cuando el valor de la superposición es mayor o igual que el umbral
Conjunto de datos Robotarium
Condiciones experimentales: tasa de entrada = 13 FPS, fotogramas totales de entrada = 5453, repeticiones = 3, duración del experimento = 424.8 (s).
Conjunto de datos iRat Australia
El conjunto de datos iRat Australia incluye un robot iRat con tracción diferencial, una cámara orientada hacia delante y encoders en las ruedas que proporcionan lecturas odométricas. Una cámara instalada sobre el área de trabajo capturó imágenes que permitieron extraer información de referencia real.
Condiciones experimentales: tasa de entrada = 10 FPS, fotogramas totales de entrada = 16657, repeticiones = 3, duración del experimento = 15.9 (min).
Conjunto de datos FIU MMC Lake
Los datos se recopilaron mediante un SeaRobotics Surveyor USV en Green Library Lake, en la Florida International University (FIU), Modesto Maidique Campus (MMC). La trayectoria seguida por el USV cubre aproximadamente 900 metros a lo largo de unos 16 minutos. También se registraron y analizaron los datos de navegación a estima.
Preguntas frecuentes
¿En qué se diferencia la nueva implementación de NeoSLAM de la original? La nueva implementación reorganiza el sistema en siete nodos de ROS 2 con temas claramente definidos para el flujo de datos, lo que permite un funcionamiento modular y una integración más sencilla con marcos modernos de robótica.
¿Qué función cumple el módulo Neocortex en NeoSLAM? El nodo Neocortex transforma la información visual binaria mediante los principios de Hierarchical Temporal Memory, aplicando Sparse Distributed Representations, un Spatial Pooler y Temporal Memory para capturar características espaciales y temporales.
¿Qué conjuntos de datos se utilizaron para evaluar el nuevo NeoSLAM? Se utilizaron tres conjuntos de datos: Robotarium (5453 fotogramas a 13 FPS), iRat Australia (16657 fotogramas a 10 FPS) y FIU MMC Lake, recopilado mediante un USV que recorrió 900 metros en 16 minutos.
¿Qué plataformas de hardware están representadas en los conjuntos de datos de evaluación? Los conjuntos incluyen un robot con tracción diferencial (iRat), un robot cuyo movimiento se registró mediante una cámara cenital (Robotarium) y un vehículo de superficie autónomo (SeaRobotics Surveyor USV), por lo que abarcan plataformas robóticas terrestres y marinas.
Agradecimientos
Esta investigación recibió apoyo parcial de la Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - Brasil (CAPES), código de financiación 001; el Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq); la Fundação Carlos Chagas Filho (FAPERJ), mediante la ayuda E-26/204.669/2024; las ayudas de la NSF IIS-2024733 e IIS-2331908; la ayuda de la Office of Naval Research N00014-23-1-2789; la ayuda del U.S. Department of Defense 78170-RT-REP; y la ayuda del Florida Department of Environmental Protection INV31.