SE-LIO: Semantics-enhanced Solid-State-LiDAR-Inertial Odometry for Tree-rich Environments

要約

本レターでは、樹木が多い環境において、セマンティクスを強化した固体LiDAR-慣性オドメトリ（SE-LIO）を提案する。まず、複数のLiDARフレームを統合し、慣性航法システム（INS）で補正することで、点群のカバー率を高め、セマンティックセグメンテーションの精度を向上させる。次に、木の葉や動的オブジェクトのような非構造化点群は、意味情報を用いて除去される。さらに、主に木の幹のような棒状の点群は、位置決め精度を向上させるために円柱としてモデル化される。曲がった木の幹が多い環境に対応するため、適応的な区分的円筒フィッティング法を提案する。最後に、状態推定に反復誤差状態カルマンフィルタ（IESKF）を採用する。点-円筒制約と点-面制約は、INSによって提供される事前制約と緊密に結合され、最大事後推定を得る。SE-LIOの性能を評価するために、複雑なキャンパスや公園環境においてターゲット実験を行った。非構造点群の除去と適応的な円柱フィッティングを含む提案手法は、精度の向上をもたらす。特に、提案したSE-LIOの測位精度は、平面ベースのLIOと比較して43.1%向上した。

要約(オリジナル)

In this letter, we propose a semantics-enhanced solid-state-LiDAR-inertial odometry (SE-LIO) in tree-rich environments. Multiple LiDAR frames are first merged and compensated with the inertial navigation system (INS) to increase the point-cloud coverage, thus improving the accuracy of semantic segmentation. The unstructured point clouds, such as tree leaves and dynamic objects, are then removed with the semantic information. Furthermore, the pole-like point clouds, primarily tree trunks, are modeled as cylinders to improve positioning accuracy. An adaptive piecewise cylinder-fitting method is proposed to accommodate environments with a high prevalence of curved tree trunks. Finally, the iterated error-state Kalman filter (IESKF) is employed for state estimation. Point-to-cylinder and point-to-plane constraints are tightly coupled with the prior constraints provided by the INS to obtain the maximum a posteriori estimation. Targeted experiments are conducted in complex campus and park environments to evaluate the performance of SE-LIO. The proposed methods, including removing the unstructured point clouds and the adaptive cylinder fitting, yield improved accuracy. Specifically, the positioning accuracy of the proposed SE-LIO is improved by 43.1% compared to the plane-based LIO.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL