DMSA — Dense Multi Scan Adjustment for LiDAR Inertial Odometry and Global Optimization

要約

複数の点群を同時に細かく登録する新しい方法を提案します。
このアプローチは高密度であることが特徴であるため、点群は事前に選択されたフィーチャに縮小されません。
さらに、点群間に直接の対応関係が想定されていないため、このアプローチは小さな重なりや動的オブジェクトに対して堅牢です。
代わりに、すべての点がグローバル点群に統合され、その散乱が繰り返し低減されます。
これは、グローバル点群を均一なグリッド セルに分割することによって実現され、その内容はその後正規分布によってモデル化されます。
提案されたアプローチを IMU 測定と組み合わせたスライディング ウィンドウの連続軌道最適化に使用して、高精度で堅牢な LiDAR 慣性オドメトリ推定を取得できることを示します。
さらに、提案されたアプローチは、精度を向上させるための大規模なキーフレーム最適化にも適していることを示します。
ソース コードといくつかの実験データは https://github.com/davidskdds/DMSA_LiDAR_SLAM.git で提供されています。

要約(オリジナル)

We propose a new method for fine registering multiple point clouds simultaneously. The approach is characterized by being dense, therefore point clouds are not reduced to pre-selected features in advance. Furthermore, the approach is robust against small overlaps and dynamic objects, since no direct correspondences are assumed between point clouds. Instead, all points are merged into a global point cloud, whose scattering is then iteratively reduced. This is achieved by dividing the global point cloud into uniform grid cells whose contents are subsequently modeled by normal distributions. We show that the proposed approach can be used in a sliding window continuous trajectory optimization combined with IMU measurements to obtain a highly accurate and robust LiDAR inertial odometry estimation. Furthermore, we show that the proposed approach is also suitable for large scale keyframe optimization to increase accuracy. We provide the source code and some experimental data on https://github.com/davidskdds/DMSA_LiDAR_SLAM.git.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google