Eigen Is All You Need: Efficient Lidar-Inertial Continuous-Time Odometry with Internal Association

要約

本論文では、SLICT2と名付けた連続時間ライダー慣性オドメトリ（CT-LIO）システムを提案し、2つの主要な洞察を促進する。一つは、従来の常識に反し、CT-LIOアルゴリズムは線形ソルバーによりわずか数回の反復で最適化可能であり、これは一般的に使用される非線形ソルバーよりも効率的である。2つ目は、CT-LIOは反復回数よりも正しい関連付けから多くの恩恵を受けるということである。これらのアイデアに基づき、我々はカスタマイズされたソルバーで本手法を実装し、各インクリメンタルステップの直後に特徴関連付け処理を行うことで、解は数回の反復で収束する。我々の実装は、制御点の密度が高くてもリアルタイム性能を達成することができ、同時に非常に動的な運動シナリオにおいても競争力のある性能を得ることができる。我々は、既存の最先端CT-LIO手法と比較することで、本手法の利点を実証する。ソースコードはコミュニティのために公開される予定である。

要約(オリジナル)

In this paper, we propose a continuous-time lidar-inertial odometry (CT-LIO) system named SLICT2, which promotes two main insights. One, contrary to conventional wisdom, CT-LIO algorithm can be optimized by linear solvers in only a few iterations, which is more efficient than commonly used nonlinear solvers. Two, CT-LIO benefits more from the correct association than the number of iterations. Based on these ideas, we implement our method with a customized solver where the feature association process is performed immediately after each incremental step, and the solution can converge within a few iterations. Our implementation can achieve real-time performance with a high density of control points while yielding competitive performance in highly dynamical motion scenarios. We demonstrate the advantages of our method by comparing with other existing state-of-the-art CT-LIO methods. The source code will be released for the benefit of the community.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL