Self-Supervised Depth Correction of Lidar Measurements from Map Consistency Loss

要約

3Dマッピングや様々なロボットアプリケーションにおいて、奥行き知覚は非常に貴重な情報源であると考えられています。しかし、消費者レベルの光検出および測距センサ（ライダー）を使用して取得された点群マップは、ビームから表面への入射角、距離、テクスチャ、反射率、または照明条件の測定などのローカル表面特性に関連するバイアスに依然として苦しんでいます。この事実は、最近、幾何学的および地図の整合性の詳細を維持しながら、前述の深度センサーの誤差を抑制するために、深層学習パラダイムと同様に、従来のフィルタを利用する研究者の動機となっています。このような努力にもかかわらず、ライダー測定の深度補正は、グランドトゥルースとして使用できるクリーンな3Dデータがないことが主な原因で、まだ未解決の課題となっています。本論文では、ライダー深度補正モデルの実データ上での自己教師付き学習を促進する、2つの新しい点群マップ整合性損失を紹介する。具体的には、このモデルは、同じシーンの異なる視点からの複数の点群計測を利用し、構築されたマップ整合性信号に基づいて、バイアスを低減するように学習する。また、深度補正モデルによって、測定値からバイアスを除去することに加えて、定位ドリフトを低減できることを実証しています。さらに、屋内の廊下環境で撮影された点群データを含むデータセットを公開し、正確なローカライゼーションとグランドトゥルースの地図情報を提供します。

要約(オリジナル)

Depth perception is considered an invaluable source of information in the context of 3D mapping and various robotics applications. However, point cloud maps acquired using consumer-level light detection and ranging sensors (lidars) still suffer from bias related to local surface properties such as measuring beam-to-surface incidence angle, distance, texture, reflectance, or illumination conditions. This fact has recently motivated researchers to exploit traditional filters, as well as the deep learning paradigm, in order to suppress the aforementioned depth sensors error while preserving geometric and map consistency details. Despite the effort, depth correction of lidar measurements is still an open challenge mainly due to the lack of clean 3D data that could be used as ground truth. In this paper, we introduce two novel point cloud map consistency losses, which facilitate self-supervised learning on real data of lidar depth correction models. Specifically, the models exploit multiple point cloud measurements of the same scene from different view-points in order to learn to reduce the bias based on the constructed map consistency signal. Complementary to the removal of the bias from the measurements, we demonstrate that the depth correction models help to reduce localization drift. Additionally, we release a data set that contains point cloud data captured in an indoor corridor environment with precise localization and ground truth mapping information.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL