COIN-LIO: Complementary Intensity-Augmented LiDAR Inertial Odometry

要約

我々は、LiDAR 強度からの情報とジオメトリベースの点群登録を緊密に結合する LiDAR 慣性走行距離測定パイプラインである COIN-LIO を紹介します。
私たちの研究の焦点は、トンネルや平地などの幾何学的に縮退したシナリオにおける LiDAR 慣性オドメトリの堅牢性を向上させることです。
私たちは、LiDAR の強度リターンを強度画像に投影し、画像内およびさまざまなシーン間での輝度の一貫性が向上したフィルター処理された画像を生成する画像処理パイプラインを提案します。
追加のモダリティとして強度を効果的に活用するために、点群登録で情報のない方向を検出し、補完的な画像情報を持つパッチを明示的に選択する新しい特徴選択スキームを提案します。
画像パッチにおける測光誤差の最小化は、反復された拡張カルマン フィルターにおける慣性測定および点対面の位置合わせと融合されます。
提案されたアプローチにより、公開データセットの精度と堅牢性が向上します。
さらに、困難で幾何学的に退化したシーンで 5 つの現実世界の環境をキャプチャした新しいデータセットを公開します。
追加の測光情報を使用することにより、私たちのアプローチは、比較されたすべてのベースライン アプローチが失敗する環境での幾何学的縮退に対する堅牢性が大幅に向上したことを示します。

要約(オリジナル)

We present COIN-LIO, a LiDAR Inertial Odometry pipeline that tightly couples information from LiDAR intensity with geometry-based point cloud registration. The focus of our work is to improve the robustness of LiDAR-inertial odometry in geometrically degenerate scenarios, like tunnels or flat fields. We project LiDAR intensity returns into an intensity image, and propose an image processing pipeline that produces filtered images with improved brightness consistency within the image as well as across different scenes. To effectively leverage intensity as an additional modality, we present a novel feature selection scheme that detects uninformative directions in the point cloud registration and explicitly selects patches with complementary image information. Photometric error minimization in the image patches is then fused with inertial measurements and point-to-plane registration in an iterated Extended Kalman Filter. The proposed approach improves accuracy and robustness on a public dataset. We additionally publish a new dataset, that captures five real-world environments in challenging, geometrically degenerate scenes. By using the additional photometric information, our approach shows drastically improved robustness against geometric degeneracy in environments where all compared baseline approaches fail.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google