Why semantics matters: A deep study on semantic particle-filtering localization in a LiDAR semantic pole-map

要約

ほとんどの都市および郊外地域では、木の幹や電柱などのポール状の構造物が至る所にあります。
これらの構造的ランドマークは、地図上の幾何学的位置やセンサーからの測定値を考慮して、自動運転車の位置を特定するのに非常に役立ちます。
この研究では、主な位置特定ランドマークとしてポール状の構造を備えた自律走行車またはロボット用の正確なマップ (ポール マップと呼ばれる) を作成することを目的としています。
以前の極ベースのマッピングまたは位置特定方法とは対照的に、私たちは極のような構造のセマンティクスを利用します。
具体的には、セマンティック セグメンテーションは、マスク分類パラダイムにおける新しいマスク範囲変換ネットワークによって実現されます。
各フレーム内の極状構造に対して抽出されたセマンティクスを使用して、すべてのフレームから検出された極状構造を集約することによって、多層セマンティック極マップが作成されます。
意味論的な極マップを考慮して、車両の位置特定のための意味論的な粒子フィルタリングの位置特定スキームを提案します。
理論的には、セマンティック情報が粒子フィルターの位置特定にメリットをもたらす理由を分析しました。また、各粒子のオドメトリ予測と
または、オンライン観測は重大なレベルの不確実性の影響を受けます。

要約(オリジナル)

In most urban and suburban areas, pole-like structures such as tree trunks or utility poles are ubiquitous. These structural landmarks are very useful for the localization of autonomous vehicles given their geometrical locations in maps and measurements from sensors. In this work, we aim at creating an accurate map for autonomous vehicles or robots with pole-like structures as the dominant localization landmarks, hence called pole-map. In contrast to the previous pole-based mapping or localization methods, we exploit the semantics of pole-like structures. Specifically, semantic segmentation is achieved by a new mask-range transformer network in a mask-classfication paradigm. With the semantics extracted for the pole-like structures in each frame, a multi-layer semantic pole-map is created by aggregating the detected pole-like structures from all frames. Given the semantic pole-map, we propose a semantic particle-filtering localization scheme for vehicle localization. Theoretically, we have analyzed why the semantic information can benefit the particle-filter localization, and empirically it is validated on the public SemanticKITTI dataset that the particle-filtering localization with semantics achieves much better performance than the counterpart without semantics when each particle’s odometry prediction and/or the online observation is subject to uncertainties at significant levels.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google