HDPV-SLAM: Hybrid Depth-augmented Panoramic Visual SLAM for Mobile Mapping System with Tilted LiDAR and Panoramic Visual Camera

要約

この論文では、ハイブリッド深度拡張パノラマ ビジュアル SLAM (HDPV-SLAM) と呼ばれる新しい視覚同時位置特定およびマッピング (SLAM) システムを提案します。このシステムは、パノラマ カメラと傾斜マルチビーム LiDAR スキャナを採用して、正確でメートルスケールの軌道を生成します。
RGB-D SLAM は HDPV-SLAM の設計基盤であり、視覚的な特徴に奥行き情報を追加しました。
これは、同様の SLAM システムのパフォーマンスを妨げる 2 つの主要な問題を解決することを目的としています。
最初の障害は、LiDAR の深度が希薄であるため、RGB 画像の抽出された視覚的特徴と相関させることが困難になります。
この問題に対処するために、まばらな LiDAR 深度を反復的に高密度化するための深層学習ベースの深度推定モジュールが提案されました。
2 つ目の問題は、パノラマ カメラと傾斜した LiDAR センサーの間に水平方向の重なりがないことが原因で、深度の関連付けが困難になることです。
この困難を克服するために、特徴ベースの三角測量と深度推定という 2 つの独立した手順によって推定された深度情報を最適に組み合わせるハイブリッド深度関連付けモジュールを提案します。
特徴追跡のフェーズ中に、このハイブリッド深度関連付けモジュールは、視覚的特徴が追跡された三角測量深度と深層学習ベースの補正深度の間のより正確な深度情報の使用を最大化することを目的としています。
私たちは、全長 18.95 km のヨーク大学と Teledyne Optech (YUTO) の MMS データセットを使用して、HDPV-SLAM の有効性を評価しました。
実験結果は、提案された 2 つのモジュールが HDPV-SLAM のパフォーマンスに大きく貢献し、最先端 (SOTA) SLAM システムのパフォーマンスを上回ることを示しています。

要約(オリジナル)

This paper proposes a novel visual simultaneous localization and mapping (SLAM) system called Hybrid Depth-augmented Panoramic Visual SLAM (HDPV-SLAM), that employs a panoramic camera and a tilted multi-beam LiDAR scanner to generate accurate and metrically-scaled trajectories. RGB-D SLAM was the design basis for HDPV-SLAM, which added depth information to visual features. It aims to solve the two major issues hindering the performance of similar SLAM systems. The first obstacle is the sparseness of LiDAR depth, which makes it difficult to correlate it with the extracted visual features of the RGB image. A deep learning-based depth estimation module for iteratively densifying sparse LiDAR depth was suggested to address this issue. The second issue pertains to the difficulties in depth association caused by a lack of horizontal overlap between the panoramic camera and the tilted LiDAR sensor. To surmount this difficulty, we present a hybrid depth association module that optimally combines depth information estimated by two independent procedures, feature-based triangulation and depth estimation. During a phase of feature tracking, this hybrid depth association module aims to maximize the use of more accurate depth information between the triangulated depth with visual features tracked and the deep learning-based corrected depth. We evaluated the efficacy of HDPV-SLAM using the 18.95 km-long York University and Teledyne Optech (YUTO) MMS dataset. The experimental results demonstrate that the two proposed modules contribute substantially to the performance of HDPV-SLAM, which surpasses that of the state-of-the-art (SOTA) SLAM systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google