Adaptive Denoising-Enhanced LiDAR Odometry for Degeneration Resilience in Diverse Terrains

要約

さまざまな環境における同時位置特定とマッピング (SLAM) アルゴリズムの柔軟性は、常に大きな課題でした。
高ノイズ設定での LiDAR オドメトリ ドリフトの問題に対処するために、不安定な機能をフィルタリングするクラスタリング手法の統合が、SLAM フレームワークの効果的なモジュールになっています。
ただし、点群データの量を減らすと、情報の損失や劣化が生じる可能性があります。
その結果、この研究では点群の信頼性を動的に評価できる LiDAR オドメトリを提案します。
このアルゴリズムは、環境劣化のレベルに応じて重要な特徴点を選択することで、多様な環境における適応性を向上させることを目的としています。
まず,距離画像に基づく高速適応ユークリッドクラスタリングアルゴリズムを提案する。このアルゴリズムは,深度クラスタリングと組み合わせて,アンビエント骨格点として定義される環境の主要な構造点を抽出する。
次に、スケルトン ポイントの密な法線フィーチャを通じて環境劣化レベルが計算され、それに応じて点群のクリーニングが動的に調整されます。
このアルゴリズムは KITTI ベンチマークと実際の環境で検証され、さまざまな環境でのより高い精度と堅牢性が実証されています。

要約(オリジナル)

The flexibility of Simultaneous Localization and Mapping (SLAM) algorithms in various environments has consistently been a significant challenge. To address the issue of LiDAR odometry drift in high-noise settings, integrating clustering methods to filter out unstable features has become an effective module of SLAM frameworks. However, reducing the amount of point cloud data can lead to potential loss of information and possible degeneration. As a result, this research proposes a LiDAR odometry that can dynamically assess the point cloud’s reliability. The algorithm aims to improve adaptability in diverse settings by selecting important feature points with sensitivity to the level of environmental degeneration. Firstly, a fast adaptive Euclidean clustering algorithm based on range image is proposed, which, combined with depth clustering, extracts the primary structural points of the environment defined as ambient skeleton points. Then, the environmental degeneration level is computed through the dense normal features of the skeleton points, and the point cloud cleaning is dynamically adjusted accordingly. The algorithm is validated on the KITTI benchmark and real environments, demonstrating higher accuracy and robustness in different environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google