MAD-ICP: It Is All About Matching Data — Robust and Informed LiDAR Odometry

要約

LiDAR オドメトリは、連続したレーザー スキャンからセンサーのエゴモーションを推定するタスクです。
この問題は 20 年以上にわたってコミュニティによって解決されており、現在では多くの効果的な解決策が利用可能です。
これらのシステムのほとんどは、動作環境、使用されるセンサー、動作パターンに関する仮定に暗黙的に依存しています。
これらの前提に違反すると、いくつかのよく知られたシステムのパフォーマンスが低下する傾向があります。
この論文では、これらの制限を克服し、ドメイン固有の方法と同等のパフォーマンスを達成しながら、さまざまな動作条件下で適切に動作できる LiDAR オドメトリ システムを紹介します。
私たちのアルゴリズムは、登録されているクラウドに関する構造情報を抽出し、アライメントの最小化メトリックを計算するために使用される PCA ベースの kd ツリー実装を活用する、よく知られた ICP パラダイムに従います。
ドリフトは、追跡されたポーズの推定された不確実性に基づいてローカル マップを管理することによって制限されます。
コミュニティに利益をもたらすために、私たちはオープンソースの C++ いつでもリアルタイム実装をリリースします。

要約(オリジナル)

LiDAR odometry is the task of estimating the ego-motion of the sensor from sequential laser scans. This problem has been addressed by the community for more than two decades, and many effective solutions are available nowadays. Most of these systems implicitly rely on assumptions about the operating environment, the sensor used, and motion pattern. When these assumptions are violated, several well-known systems tend to perform poorly. This paper presents a LiDAR odometry system that can overcome these limitations and operate well under different operating conditions while achieving performance comparable with domain-specific methods. Our algorithm follows the well-known ICP paradigm that leverages a PCA-based kd-tree implementation that is used to extract structural information about the clouds being registered and to compute the minimization metric for the alignment. The drift is bound by managing the local map based on the estimated uncertainty of the tracked pose. To benefit the community, we release an open-source C++ anytime real-time implementation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google