Four years of multi-modal odometry and mapping on the rail vehicles

要約

正確、シームレス、効率的な列車位置特定と長期的な鉄道環境モニタリングは、鉄道システムの信頼性、可用性、保守性、安全性 (RAMS) エンジニアリングにとって不可欠な特性です。
同時ローカライゼーションとマッピング (SLAM) は、2 つの問題を同時に解決するためのまさに核心です。
最後に、この論文では、さまざまな鉄道車両のオドメトリとマッピングのタスクを対象とした、高性能で多用途のマルチモーダル フレームワークを提案します。
私たちのシステムは、光検出測距 (LiDAR)、視覚的、オプションで衛星ナビゲーション、および地図ベースの位置特定情報と、疎結合された方法の利便性と拡張性を密に結合する慣性中心の状態推定器の上に構築されています。
慣性センサー IMU とホイール エンコーダーはプライマリ センサーとして扱われ、サブシステムからの観測結果を取得して加速度センサーとジャイロスコープのバイアスを制限します。
点のみの LiDAR 慣性手法と比較して、私たちのアプローチは、軌道面と電力柱の両方を状態推定に導入することで、より多くのジオメトリ情報を活用します。
視覚慣性サブシステムは、線と点の両方を使用して環境構造情報も利用します。
さらに、この方法は、障害モジュールをバイパスする自動再構成によってセンサー障害を処理することができます。
私たちが提案した方法は、一般速度、高速、地下鉄を含む長時間にわたる鉄道環境で 4 年間にわたって広範囲にテストされ、旅客と貨物の両方の交通が調査されています。
さらに、当社グループの経験、問題、成功をロボット工学コミュニティとオープンな方法で共有し、そのような環境で作業する人々がこれらのエラーを回避できるようにすることを目指しています。
この観点から、私たちは研究コミュニティに利益をもたらすためにデータセットの一部をオープンソース化します。

要約(オリジナル)

Precise, seamless, and efficient train localization as well as long-term railway environment monitoring is the essential property towards reliability, availability, maintainability, and safety (RAMS) engineering for railroad systems. Simultaneous localization and mapping (SLAM) is right at the core of solving the two problems concurrently. In this end, we propose a high-performance and versatile multi-modal framework in this paper, targeted for the odometry and mapping task for various rail vehicles. Our system is built atop an inertial-centric state estimator that tightly couples light detection and ranging (LiDAR), visual, optionally satellite navigation and map-based localization information with the convenience and extendibility of loosely coupled methods. The inertial sensors IMU and wheel encoder are treated as the primary sensor, which achieves the observations from subsystems to constrain the accelerometer and gyroscope biases. Compared to point-only LiDAR-inertial methods, our approach leverages more geometry information by introducing both track plane and electric power pillars into state estimation. The Visual-inertial subsystem also utilizes the environmental structure information by employing both lines and points. Besides, the method is capable of handling sensor failures by automatic reconfiguration bypassing failure modules. Our proposed method has been extensively tested in the long-during railway environments over four years, including general-speed, high-speed and metro, both passenger and freight traffic are investigated. Further, we aim to share, in an open way, the experience, problems, and successes of our group with the robotics community so that those that work in such environments can avoid these errors. In this view, we open source some of the datasets to benefit the research community.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google