G-Loc: Tightly-coupled Graph Localization with Prior Topo-metric Information

要約

すでにマッピングされた環境での位置特定は、多くのロボット工学や自動車アプリケーションにおいて重要なコンポーネントであり、以前に取得した情報をセンサー フュージョンとともに利用して、堅牢で正確な位置推定を提供できます。
この研究では、以前のトポロジー情報とメトリック情報を再利用することにより、マップベースの位置特定に関する新しい視点を提供します。
したがって、私たちは、単なる計量マップの使用を超えて、この長年研究されてきた問題を再定式化します。
当社のフレームワークは、LiDAR、慣性および GNSS 測定、およびスキャンからマップへの登録をスライディング ウィンドウ グラフ形式でシームレスに統合し、各観測の不確実性に対応できるようにします。
私たちのフレームワークはモジュール化されているため、さまざまなセンサー構成 (\textit{例: LiDAR 解像度、GNSS 拒否) や環境条件 (\textit{例: マップのない地域、大規模環境) で動作することができます。
私たちは、実際の自動車アプリケーションへの展開を含むさまざまな検証実験を実施し、オンライン ローカリゼーションにおけるシステムの精度、効率、多用途性を実証しました。

要約(オリジナル)

Localization in already mapped environments is a critical component in many robotics and automotive applications, where previously acquired information can be exploited along with sensor fusion to provide robust and accurate localization estimates. In this work, we offer a new perspective on map-based localization by reusing prior topological and metric information. Thus, we reformulate this long-studied problem to go beyond the mere use of metric maps. Our framework seamlessly integrates LiDAR, iner\-tial and GNSS measurements, and scan-to-map registrations in a sliding window graph fashion, which allows to accommodate the uncertainty of each observation. The modularity of our framework allows it to work with different sensor configurations (\textit{e.g.,} LiDAR resolutions, GNSS denial) and environmental conditions (\textit{e.g.,} map-less regions, large environments). We have conducted different validation experiments, including deployment in a real-world automotive application, demonstrating the accuracy, efficiency, and versatility of our system in online localization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google