Quadric Representations for LiDAR Odometry, Mapping and Localization

要約

タイトル：LiDARオドメトリー、マッピング、および位置情報のための二次曲面表現

要約：

– LiDARの現在のオドメトリー、マッピング、および位置情報の方法は、3Dシーンのポイントベース表現を活用し、自動運転タスクにおいて高い精度を達成しています。
– しかし、ポイントベース表現を使用する方法のスペース効率の低さは、実用的なアプリケーションにおける開発と使用を制限しています。
– 特に、スキャン・サブマップマッチングおよびグローバルマップ表現の方法は、大容量ポイントクラウドに対する最近傍探索の効率の悪さによって制限されています。
– スペースタイム効率を改善するために、我々は、3Dオブジェクトの従来のポイントクラウドよりもはるかにコンパクトな表現である二次曲面を使用してシーンを記述する新しい方法を提案します。
– ポイントクラウドベースの方法とは対照的に、私たちの二次曲面表現ベースの方法は、3Dシーンを疎な二次曲面パッチのコレクションに分解し、ストレージ効率を改善し、遅いポイントベースNNプロセスを回避します。
– 私たちの方法は、まず与えられたポイントクラウドをパッチにセグメンテーションし、それぞれを二次曲面暗黙関数に適合させます。各関数は、パッチの中心位置や共分散行列などのその他の幾何的記述子とカップリングされます。
– これらのパッチ表現は、3Dシーンを完全に記述し、元のポイントクラウドの代わりに使用され、LiDARオドメトリー、マッピング、および位置情報のアルゴリズムに使用できます。
– さらに、私たちは、元のポイントクラウドから二次曲面を繰り返し適合させる必要がなくなる新しい増分成長法を設計しています。
– KITTIおよびUrbanLocoデータセットの大容量ポイントクラウドに対する広範なオドメトリーマッピングおよび位置情報の実験は、私たちの方法が競争力のある、場合によっては優れた精度を保ちながら、低いレイテンシとメモリユーティリティを維持していることを示しています。

要約(オリジナル)

Current LiDAR odometry, mapping and localization methods leverage point-wise representations of 3D scenes and achieve high accuracy in autonomous driving tasks. However, the space-inefficiency of methods that use point-wise representations limits their development and usage in practical applications. In particular, scan-submap matching and global map representation methods are restricted by the inefficiency of nearest neighbor searching (NNS) for large-volume point clouds. To improve space-time efficiency, we propose a novel method of describing scenes using quadric surfaces, which are far more compact representations of 3D objects than conventional point clouds. In contrast to point cloud-based methods, our quadric representation-based method decomposes a 3D scene into a collection of sparse quadric patches, which improves storage efficiency and avoids the slow point-wise NNS process. Our method first segments a given point cloud into patches and fits each of them to a quadric implicit function. Each function is then coupled with other geometric descriptors of the patch, such as its center position and covariance matrix. Collectively, these patch representations fully describe a 3D scene, which can be used in place of the original point cloud and employed in LiDAR odometry, mapping and localization algorithms. We further design a novel incremental growing method for quadric representations, which eliminates the need to repeatedly re-fit quadric surfaces from the original point cloud. Extensive odometry, mapping and localization experiments on large-volume point clouds in the KITTI and UrbanLoco datasets demonstrate that our method maintains low latency and memory utility while achieving competitive, and even superior, accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI