Multi-Camera Visual-Inertial Simultaneous Localization and Mapping for Autonomous Valet Parking

要約

ローカリゼーションとマッピングは自動運転車にとって重要な機能です。
このペーパーでは、Kimera をベースに構築し、複数のカメラと外部 (ホイールなど) オドメトリ センサーを使用して、現実世界の問題で正確かつロバストなオドメトリ推定値を取得するように拡張します。
さらに、Perspective-n-Point 法に基づく一般的な代替案の欠点を回避し、単一の単眼カメラでも動作する、ループを閉じるための効果的なスキームを提案します。
最後に、自由空間検出のためのセグメンテーション ネットワークとホモグラフィー ベースの高密度マッピング技術を組み合わせた、自由空間の高密度 3D マッピング方法を開発します。
私たちは、屋内と屋外の両方の駐車シナリオにまたがる、写真のようにリアルなシミュレーションと、フォード モーター カンパニーが開発した自動車のプロトタイプから収集されたいくつかの実際のデータセットでシステムをテストします。
当社のマルチカメラ システムは、最先端のオープンソース視覚慣性 SLAM パイプライン (Vins-Fusion、ORB-SLAM3) よりも優れたパフォーマンスを発揮し、平均軌道誤差は 200 年以上にわたる軌道長の 1% 未満であることが示されています。
移動距離は 8 km (すべてのデータセットの合計)。
このシステムを紹介するビデオは、youtu.be/H8CpzDpXOI8 でご覧いただけます。

要約(オリジナル)

Localization and mapping are key capabilities for self-driving vehicles. In this paper, we build on Kimera and extend it to use multiple cameras as well as external (eg wheel) odometry sensors, to obtain accurate and robust odometry estimates in real-world problems. Additionally, we propose an effective scheme for closing loops that circumvents the drawbacks of common alternatives based on the Perspective-n-Point method and also works with a single monocular camera. Finally, we develop a method for dense 3D mapping of the free space that combines a segmentation network for free-space detection with a homography-based dense mapping technique. We test our system on photo-realistic simulations and on several real datasets collected on a car prototype developed by the Ford Motor Company, spanning both indoor and outdoor parking scenarios. Our multi-camera system is shown to outperform state-of-the art open-source visual-inertial-SLAM pipelines (Vins-Fusion, ORB-SLAM3), and exhibits an average trajectory error under 1% of the trajectory length across more than 8km of distance traveled (combined across all datasets). A video showcasing the system is available at: youtu.be/H8CpzDpXOI8.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google