BoxGraph: Semantic Place Recognition and Pose Estimation from 3D LiDAR

要約

このホワイトペーパーでは、インスタンスのセグメンテーションとグラフのマッチングに基づくLiDARポイントクラウドを使用した、非常に堅牢で軽量なローカリゼーションについて説明します。
3D点群は、各頂点がオブジェクトインスタンスに対応し、その形状をエンコードする、意味的に識別されたコンポーネントの完全に接続されたグラフとしてモデル化されます。
グラフ間の最適な頂点の関連付けにより、完全な6自由度（DoF）のポーズ推定と、類似性を測定することによる場所の認識が可能になります。
この表現は非常に簡潔で、マップのサイズを最先端のものに対して25倍に凝縮し、1.4MBのレーザースキャンを表すのに必要なのはわずか3kBです。
SemanticKITTIデータセットでシステムの有効性を検証します。このデータセットでは、100％の精度で平均88.4％のリコールがあり、次に近い競合他社が64.9％で、新しい最先端のインプレース認識を実現しています。
また、正確なメトリックポーズ推定パフォーマンスを示します。中央値誤差が10cmおよび0.33度の6-DoFポーズを推定します。

要約(オリジナル)

This paper is about extremely robust and lightweight localisation using LiDAR point clouds based on instance segmentation and graph matching. We model 3D point clouds as fully-connected graphs of semantically identified components where each vertex corresponds to an object instance and encodes its shape. Optimal vertex association across graphs allows for full 6-Degree-of-Freedom (DoF) pose estimation and place recognition by measuring similarity. This representation is very concise, condensing the size of maps by a factor of 25 against the state-of-the-art, requiring only 3kB to represent a 1.4MB laser scan. We verify the efficacy of our system on the SemanticKITTI dataset, where we achieve a new state-of-the-art in place recognition, with an average of 88.4% recall at 100% precision where the next closest competitor follows with 64.9%. We also show accurate metric pose estimation performance – estimating 6-DoF pose with median errors of 10 cm and 0.33 deg.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google