LIO-GVM: an Accurate, Tightly-Coupled Lidar-Inertial Odometry with Gaussian Voxel Map

要約

このレターでは、正確かつ堅牢な Lidar 慣性走行距離測定フレームワークを紹介します。
堅牢かつ高速な位置特定のために、密結合反復エラー状態カルマン フィルターを使用して、LiDAR スキャンと IMU データを融合します。
堅牢な対応マッチングを実現するために、点を一連のガウス分布として表し、外れ値の除去について分散の発散を評価します。
近似された分布に基づいて、フィルタベースの Lidar 慣性オドメトリ用の新しい残差メトリックが提案されます。これは、単に距離を定量化することから分散差異を組み込むことへの改善を示し、残差メトリックの包括性と精度をさらに強化します。
残差メトリックの戦略的な設計により、各ボクセルに対して 1 つの重心と 1 つの共分散行列の維持のみが必要な、シンプルかつ効果的なボクセルのみのマッピング スキームを提案します。
さまざまなデータセットでの実験により、さまざまなデータ入力と環境に対するフレームワークの堅牢性と精度が実証されています。
ロボット社会の利益のために、https://github.com/Ji1Xingyu/lio_gvm でコードをオープンソースにしています。

要約(オリジナル)

This letter presents an accurate and robust Lidar Inertial Odometry framework. We fuse LiDAR scans with IMU data using a tightly-coupled iterative error state Kalman filter for robust and fast localization. To achieve robust correspondence matching, we represent the points as a set of Gaussian distributions and evaluate the divergence in variance for outlier rejection. Based on the fitted distributions, a new residual metric is proposed for the filter-based Lidar inertial odometry, which demonstrates an improvement from merely quantifying distance to incorporating variance disparity, further enriching the comprehensiveness and accuracy of the residual metric. Due to the strategic design of the residual metric, we propose a simple yet effective voxel-solely mapping scheme, which only necessities the maintenance of one centroid and one covariance matrix for each voxel. Experiments on different datasets demonstrate the robustness and accuracy of our framework for various data inputs and environments. To the benefit of the robotics society, we open source the code at https://github.com/Ji1Xingyu/lio_gvm.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google