RMS: Redundancy-Minimizing Point Cloud Sampling for Real-Time Pose Estimation in Degenerated Environments

要約

移動ロボットの状態推定に使用される一般的な点群サンプリング方法では、高レベルの点の冗長性が維持されます。
ポイントの冗長性により推定パイプラインが遅くなり、幾何学的に対称で構造のない環境ではリアルタイム推定がドリフトする可能性があります。
我々は、クラウド内の冗長性を最小限に抑えることで幾何学的縮退の影響を低減できる、新しい点群サンプリング方法を提案します。
提案された方法は、ロボットのリアルタイム機能の制約に従うために点の密度を正規化する一般的に使用されるスパース化方法の代替です。
密度正規化とは対照的に、私たちの方法は、線形および平面サーフェスには反復推定パイプラインに伝播される高レベルの冗長性が含まれているという事実に基づいています。
点の下にある表面を定量化する勾配流の概念を定義します。
また、勾配流のエントロピーを最大化すると、ロボットの自己運動推定における点の冗長性が最小限に抑えられることも示します。
提案された方法をポイントベースの KISS-ICP およびフィーチャベースの LOAM オドメトリ パイプラインに統合し、KITTI、Hilti-Oxford、およびマルチコプター UAV からのカスタム データセットで実験的に評価します。
実験は、提案されたサンプリング手法が、精度と速度の両方において、良好な条件下および幾何学的に劣化した設定において、最先端の手法よりも優れていることを示しています。

要約(オリジナル)

The typical point cloud sampling methods used in state estimation for mobile robots preserve a high level of point redundancy. The point redundancy slows down the estimation pipeline and can make real-time estimation drift in geometrically symmetrical and structureless environments. We propose a novel point cloud sampling method that is capable of lowering the effects of geometrical degeneracies by minimizing redundancy within the cloud. The proposed method is an alternative to the commonly used sparsification methods that normalize the density of points to comply with the constraints on the real-time capabilities of a robot. In contrast to density normalization, our method builds on the fact that linear and planar surfaces contain a high level of redundancy propagated into iterative estimation pipelines. We define the concept of gradient flow quantifying the surface underlying a point. We also show that maximizing the entropy of the gradient flow minimizes point redundancy for robot ego-motion estimation. We integrate the proposed method into the point-based KISS-ICP and feature-based LOAM odometry pipelines and evaluate it experimentally on KITTI, Hilti-Oxford, and custom datasets from multirotor UAVs. The experiments show that the proposed sampling technique outperforms state-of-the-art methods in well-conditioned as well as in geometrically-degenerated settings, in both accuracy and speed.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google