Dynamically Weighted Factor-Graph for Feature-based Geo-localization

要約

フィーチャベースの地理位置特定は、航空画像から抽出されたフィーチャと車両のセンサーによって検出されたフィーチャの関連付けに依存します。
これには、ランドマークのタイプが両方の情報源から観測可能である必要があります。
この多様性のない特徴タイプにより、あいまいさと検出の欠如によってそれぞれ生じる異常値と逸脱につながる不十分な表現が生成されます。
これらの欠点を軽減するために、この論文では、車両の軌道推定のための動的に重み付けされた因子グラフ モデルを提示します。
この実装における重み調整は、LiDAR センサーを使用して実行される検出における情報の定量化に依存します。
また、事前の (GNSS ベースの) 誤差推定がモデルに含まれています。
次に、表現があいまいまたはまばらになると、修正された以前の軌道に依存するように重みが動的に調整され、このようにして外れ値と偏差が軽減されます。
私たちは、検出損失も引き起こす困難な曖昧な環境において、私たちの方法を最先端の地理位置特定方法と比較します。
他の方法が失敗する場合に、前述の欠点を軽減する方法を示します。

要約(オリジナル)

Feature-based geo-localization relies on associating features extracted from aerial imagery with those detected by the vehicle’s sensors. This requires that the type of landmarks must be observable from both sources. This no-variety of feature types generates poor representations that lead to outliers and deviations, produced by ambiguities and lack of detections respectively. To mitigate these drawbacks, in this paper, we present a dynamically weighted factor graph model for the vehicle’s trajectory estimation. The weight adjustment in this implementation depends on information quantification in the detections performed using a LiDAR sensor. Also, a prior (GNSS-based) error estimation is included in the model. Then, when the representation becomes ambiguous or sparse, the weights are dynamically adjusted to rely on the corrected prior trajectory, mitigating in this way outliers and deviations. We compare our method against state-of-the-art geo-localization ones in a challenging ambiguous environment, where we also cause detection losses. We demonstrate mitigation of the mentioned drawbacks where the other methods fail.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google