DeepPointMap: Advancing LiDAR SLAM with Unified Neural Descriptors

要約

点群は、Simultaneous Localization and Mapping (SLAM) を含むさまざまなドメインで大きな可能性を示しています。
ただし、既存のアプローチは、高い位置特定精度を達成するために高密度の点群に依存するか、マップ サイズを縮小するために一般化された記述子を使用します。
残念ながら、これら 2 つの側面は互いに矛盾しているようです。
この制限に対処するために、両方の側面で優れた優先度を実現する統合アーキテクチャ DeepPointMap を提案します。
ニューラル ネットワークを利用して、点群から高度に代表的でまばらなニューラル記述子を抽出し、メモリ効率の高いマップ表現と正確なマルチスケール位置特定タスク (オドメトリやループ クロージャなど) を可能にします。
さらに、フレームワークをより困難なマルチエージェント協調 SLAM に拡張することで、そのフレームワークの多用途性を示します。
これらのシナリオで得られた有望な結果は、私たちのアプローチの有効性と可能性をさらに強調します。

要約(オリジナル)

Point clouds have shown significant potential in various domains, including Simultaneous Localization and Mapping (SLAM). However, existing approaches either rely on dense point clouds to achieve high localization accuracy or use generalized descriptors to reduce map size. Unfortunately, these two aspects seem to conflict with each other. To address this limitation, we propose a unified architecture, DeepPointMap, achieving excellent preference on both aspects. We utilize neural network to extract highly representative and sparse neural descriptors from point clouds, enabling memory-efficient map representation and accurate multi-scale localization tasks (e.g., odometry and loop-closure). Moreover, we showcase the versatility of our framework by extending it to more challenging multi-agent collaborative SLAM. The promising results obtained in these scenarios further emphasize the effectiveness and potential of our approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google