PALoc: Advancing SLAM Benchmarking with Prior-Assisted 6-DoF Trajectory Generation and Uncertainty Estimation

要約

グラウンド トゥルース (GT) 軌道を正確に生成することは、特にさまざまな環境条件下での同時位置特定とマッピング (SLAM) の評価に不可欠です。
この研究では、高密度の 6 自由度 (6-DoF) GT ポーズを生成するための以前のマップ支援フレームワークを採用した体系的なアプローチを初めて導入し、屋内と屋外の両方の SLAM データセットの忠実度を向上させました。
私たちの方法は、SLAM データセットで頻繁に遭遇する縮退条件と定常条件の処理に優れており、それにより堅牢性と精度が向上します。
私たちのアプローチの重要な側面は、因子グラフ内の共分散を詳細に導出し、姿勢の不確かさの伝播の詳細な分析を可能にすることです。
この分析は、理論的および経験的観点の両方から、特定のポーズの不確実性を実証し、軌道の信頼性を高めることに大きく貢献します。
さらに、マップ評価基準用のオープンソース ツールボックス (https://github.com/JokerJohn/Cloud_Map_Evaluation) を提供し、全体的な軌道精度の間接的な評価を容易にします。
実験結果では、多様なキャンパス環境において、反復最近接点 (ICP) \cite{sharp2002icp} アルゴリズムと比較して、マップ精度が少なくとも 30\% 向上し、直接軌道精度が 20\% 向上し、堅牢性が大幅に向上したことが示されています。
FusionPortable\cite{Jiao2022Mar} データセットに広く適用されている当社のオープンソース ソリューション (https://github.com/JokerJohn/PALoc) は、SLAM ベンチマーク データセットの拡張を目的としており、SLAM 評価の大幅な進歩を示しています。

要約(オリジナル)

Accurately generating ground truth (GT) trajectories is essential for Simultaneous Localization and Mapping (SLAM) evaluation, particularly under varying environmental conditions. This study introduces a systematic approach employing a prior map-assisted framework for generating dense six-degree-of-freedom (6-DoF) GT poses for the first time, enhancing the fidelity of both indoor and outdoor SLAM datasets. Our method excels in handling degenerate and stationary conditions frequently encountered in SLAM datasets, thereby increasing robustness and precision. A significant aspect of our approach is the detailed derivation of covariances within the factor graph, enabling an in-depth analysis of pose uncertainty propagation. This analysis crucially contributes to demonstrating specific pose uncertainties and enhancing trajectory reliability from both theoretical and empirical perspectives. Additionally, we provide an open-source toolbox (https://github.com/JokerJohn/Cloud_Map_Evaluation) for map evaluation criteria, facilitating the indirect assessment of overall trajectory precision. Experimental results show at least a 30\% improvement in map accuracy and a 20\% increase in direct trajectory accuracy compared to the Iterative Closest Point (ICP) \cite{sharp2002icp} algorithm across diverse campus environments, with substantially enhanced robustness. Our open-source solution (https://github.com/JokerJohn/PALoc), extensively applied in the FusionPortable\cite{Jiao2022Mar} dataset, is geared towards SLAM benchmark dataset augmentation and represents a significant advancement in SLAM evaluations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google