Evaluation and Deployment of LiDAR-based Place Recognition in Dense Forests

要約

多くの LiDAR 場所認識システムは、都市部の運転シナリオに特化して開発およびテストされています。
森林や森林などの自然環境におけるそれらのパフォーマンスは、あまり詳しく研究されていません。
この論文では、密林環境内で手持ち式デバイスと脚式ロボットで収集した LiDAR データを使用して、手作りの方法と学習ベースの方法の両方で、4 つの異なる LiDAR 場所認識システムの機能を分析しました。
特に、対応する LiDAR スキャン ペア間で並進および方向の大きな違いがある場合の位置特定の評価に焦点を当てました。
これは、センサーやロボットが定義された道路や経路をたどらない森林調査システムでは特に重要です。
分析を拡張して、最もパフォーマンスの高いアプローチである Logg3dNet を完全な 6-DoF 姿勢推定システムに組み込み、正確な位置合わせのためのいくつかの検証レイヤーを導入しました。
オンライン SLAM、オフライン マルチミッション SLAM マップのマージ、および以前のマップへの再局在化の 3 つの動作モードで、メソッドのパフォーマンスを実証しました。
私たちは、3 つの異なる国の森林で取得されたデータを使用してこれらのモードを評価し、ベースライン距離が最大 5 m の正しいループ閉鎖候補の 80%、最大 10m で 60% を達成しました。

要約(オリジナル)

Many LiDAR place recognition systems have been developed and tested specifically for urban driving scenarios. Their performance in natural environments such as forests and woodlands have been studied less closely. In this paper, we analyzed the capabilities of four different LiDAR place recognition systems, both handcrafted and learning-based methods, using LiDAR data collected with a handheld device and legged robot within dense forest environments. In particular, we focused on evaluating localization where there is significant translational and orientation difference between corresponding LiDAR scan pairs. This is particularly important for forest survey systems where the sensor or robot does not follow a defined road or path. Extending our analysis we then incorporated the best performing approach, Logg3dNet, into a full 6-DoF pose estimation system — introducing several verification layers for precise registration. We demonstrated the performance of our methods in three operational modes: online SLAM, offline multi-mission SLAM map merging, and relocalization into a prior map. We evaluated these modes using data captured in forests from three different countries, achieving 80% of correct loop closures candidates with baseline distances up to 5m, and 60% up to 10m.

arxiv情報

著者 Haedam Oh,Nived Chebrolu,Matias Mattamala,Leonard Freißmuth,Maurice Fallon
発行日 2024-03-21 11:50:00+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO パーマリンク