LIO-EKF: High Frequency LiDAR-Inertial Odometry using Extended Kalman Filters

要約

オドメトリ推定は、未知の環境でのナビゲーションを必要とするあらゆる自律システムにとって重要な要素です。
最新の移動ロボットでは、このタスクに 3D LiDAR 慣性システムがよく使用されます。
これらのシステムは、LiDAR スキャンと IMU 測定を融合することで、個々の LiDAR スキャンを順次登録することによって生じる蓄積ドリフトを低減し、堅牢な姿勢推定を提供できます。
LiDAR 慣性オドメトリ システムは効果的ではありますが、導入するには適切なパラメータ調整が必要です。
この論文では、ポイントツーポイント登録と古典的な拡張カルマン フィルター スキームに基づいた密結合 LiDAR 慣性オドメトリ システムである LIO-EKF を提案します。
相対的な姿勢の不確実性、マップの離散化誤差、LiDAR ノイズを考慮した適応的なデータ関連付けを提案します。
このようにして、特定のタイプの環境に合わせて調整するパラメータを大幅に減らすことができます。
実験による評価は、提案されたシステムが最先端の LiDAR 慣性オドメトリ パイプラインと同等の性能を発揮するものの、オドメトリの計算が大幅に高速であることを示唆しています。

要約(オリジナル)

Odometry estimation is a key element for every autonomous system requiring navigation in an unknown environment. In modern mobile robots, 3D LiDAR-inertial systems are often used for this task. By fusing LiDAR scans and IMU measurements, these systems can reduce the accumulated drift caused by sequentially registering individual LiDAR scans and provide a robust pose estimate. Although effective, LiDAR-inertial odometry systems require proper parameter tuning to be deployed. In this paper, we propose LIO-EKF, a tightly-coupled LiDAR-inertial odometry system based on point-to-point registration and the classical extended Kalman filter scheme. We propose an adaptive data association that considers the relative pose uncertainty, the map discretization errors, and the LiDAR noise. In this way, we can substantially reduce the parameters to tune for a given type of environment. The experimental evaluation suggests that the proposed system performs on par with the state-of-the-art LiDAR-inertial odometry pipelines, but is significantly faster in computing the odometry.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google