Benchmarking Particle Filter Algorithms for Efficient Velodyne-Based Vehicle Localization

要約

事前構築された地図内で車両の位置を正確に把握することは、自律車両ナビゲーション システムの中核です。
この研究では、標準 SIR サンプリングと拒否ベースの最適サンプリングの両方が、3D LiDAR からの生の点群を使用する特徴検出なしの効率的な (10 ～ 20 ミリ秒) リアルタイム姿勢追跡に適していることを示します。
これらのセンサーによって捕捉された大量の情報をもとに、効率と測位精度の最適な比率に達するために実際に必要なポイントの数について体系的な統計分析を実行します。
さらに、都市部の峡谷での GPS 信号の低下などの悪条件からの初期化では、確実に収束するために必要な最適な粒子フィルター設定も特定します。
私たちの調査結果には、入力点群の間引き係数を 100 ～ 200 にすると、VLP-16 スキャナの位置特定精度の損失が無視できる程度で、計算コストが大幅に節約されることが含まれます。
さらに、GPS からの追加ヒントなしで大規模 ($\sim$100,000 m$^2$) の屋外全球位置推定で 100% の収束成功を達成するには、$\sim$2 粒子/m$^2$ の初期密度が必要です。
または磁場センサー。
すべての実装はオープンソース ソフトウェアとしてリリースされています。

要約(オリジナル)

Keeping a vehicle well-localized within a prebuilt-map is at the core of any autonomous vehicle navigation system. In this work, we show that both standard SIR sampling and rejection-based optimal sampling are suitable for efficient (10 to 20 ms) real-time pose tracking without feature detection that is using raw point clouds from a 3D LiDAR. Motivated by the large amount of information captured by these sensors, we perform a systematic statistical analysis of how many points are actually required to reach an optimal ratio between efficiency and positioning accuracy. Furthermore, initialization from adverse conditions, e.g., poor GPS signal in urban canyons, we also identify the optimal particle filter settings required to ensure convergence. Our findings include that a decimation factor between 100 and 200 on incoming point clouds provides a large savings in computational cost with a negligible loss in localization accuracy for a VLP-16 scanner. Furthermore, an initial density of $\sim$2 particles/m$^2$ is required to achieve 100% convergence success for large-scale ($\sim$100,000 m$^2$), outdoor global localization without any additional hint from GPS or magnetic field sensors. All implementations have been released as open-source software.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google