Necessity Feature Correspondence Estimation for Large-scale Global Place Recognition and Relocalization

要約

グローバルな場所認識と 3D 再位置推定は、3D LiDAR Simultaneous Localization and Mapping (SLAM) のループ終了検出における最も重要なコンポーネントの 1 つです。
特徴マッチングアプローチによって正確なグローバル 6-DoF 変換を見つけるために、さまざまなエンドツーエンドのアーキテクチャが提案されています。
しかし、既存の手法では地物間の誤った対応が考慮されていないため、大域的場所認識や再位置推定には不必要な地物も含まれてしまう。
本稿では、不要な特徴を削除し、必要な特徴を同時に強調表示することにより、ロバストな対応推定方法を紹介します。
必要な特徴に焦点を当て、不必要な特徴を無視するために、3D LiDAR 点群で表される 2 つのシーン間の幾何学的相関を使用します。
ポイントアラインアルゴリズムに基づいて主要な相関を見つけ、堅牢な対応推定による提案されたネットワークのエンドツーエンドのトレーニングを可能にする対応補助損失を導入します。
多くの平面パッチを持つ地面は対応推定時に外れ値として機能するため、支配的な平面パッチを削除して負の対応を考慮する前処理ステップも提案します。
動的な都市走行データセットの評価結果は、私たちが提案した方法がグローバルな場所認識と再位置推定タスクの両方のパフォーマンスを向上できることを示しています。
我々は、ロバストな特徴の対応関係を推定することが、場所の認識と再位置推定における重要な要素の 1 つであることを示します。

要約(オリジナル)

Global place recognition and 3D relocalization are one of the most important components in the loop closing detection for 3D LiDAR Simultaneous Localization and Mapping (SLAM). In order to find the accurate global 6-DoF transform by feature matching approach, various end-to-end architectures have been proposed. However, existing methods do not consider the false correspondence of the features, thereby unnecessary features are also involved in global place recognition and relocalization. In this paper, we introduce a robust correspondence estimation method by removing unnecessary features and highlighting necessary features simultaneously. To focus on the necessary features and ignore the unnecessary ones, we use the geometric correlation between two scenes represented in the 3D LiDAR point clouds. We introduce the correspondence auxiliary loss that finds key correlations based on the point align algorithm and enables end-to-end training of the proposed networks with robust correspondence estimation. Since the ground with many plane patches acts as an outlier during correspondence estimation, we also propose a preprocessing step to consider negative correspondence by removing dominant plane patches. The evaluation results on the dynamic urban driving dataset, show that our proposed method can improve the performances of both global place recognition and relocalization tasks. We show that estimating the robust feature correspondence is one of the important factors in place recognition and relocalization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google