Towards Accurate Ground Plane Normal Estimation from Ego-Motion

要約

この論文では、車輪付き車両の地面法線推定のための新しいアプローチを紹介します。
実際には、ブレーキングや不安定な路面により、地面は動的に変化します。
その結果、車両の姿勢、特にピッチ角は微妙なものから明白なものへと振動しています。
したがって、地面の法線を推定することは、さまざまな自動運転タスク (3D オブジェクト検出、路面再構成、軌道計画など) のロバスト性を向上させるためにエンコードできるため、意味があります。
私たちの提案する方法は、オドメトリのみを入力として使用し、正確な地面法線ベクトルをリアルタイムで推定します。
特に、エゴ ポーズ オドメトリー (エゴ モーション) とその近くの地面の間の基本的な接続を十分に利用します。
それに基づいて、Invariant Extended Kalman Filter (IEKF) がセンサーの座標の法線ベクトルを推定するように設計されています。
したがって、提案された方法はシンプルでありながら効率的であり、カメラベースと慣性ベースのオドメトリアルゴリズムの両方をサポートしています。
その使いやすさと堅牢性の大幅な向上は、公開データセットでの複数の実験を通じて検証されています。
たとえば、KITTI データセットでは推定ベクトル誤差 0.39{\deg} で最先端の精度を達成しています。
コードは github.com/manymuch/ground_normal_filter で入手できます。

要約(オリジナル)

In this paper, we introduce a novel approach for ground plane normal estimation of wheeled vehicles. In practice, the ground plane is dynamically changed due to braking and unstable road surface. As a result, the vehicle pose, especially the pitch angle, is oscillating from subtle to obvious. Thus, estimating ground plane normal is meaningful since it can be encoded to improve the robustness of various autonomous driving tasks (e.g., 3D object detection, road surface reconstruction, and trajectory planning). Our proposed method only uses odometry as input and estimates accurate ground plane normal vectors in real time. Particularly, it fully utilizes the underlying connection between the ego pose odometry (ego-motion) and its nearby ground plane. Built on that, an Invariant Extended Kalman Filter (IEKF) is designed to estimate the normal vector in the sensor’s coordinate. Thus, our proposed method is simple yet efficient and supports both camera- and inertial-based odometry algorithms. Its usability and the marked improvement of robustness are validated through multiple experiments on public datasets. For instance, we achieve state-of-the-art accuracy on KITTI dataset with the estimated vector error of 0.39{\deg}. Our code is available at github.com/manymuch/ground_normal_filter.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google