MS-Mapping: Multi-session LiDAR Mapping with Wasserstein-based Keyframe Selection

要約

大規模なマルチセッション LiDAR マッピングはさまざまなアプリケーションで重要な役割を果たしますが、データの冗長性とポーズ グラフのスケーラビリティにおいて大きな課題に直面しています。
本稿では、増分マッピング方式とさまざまな LiDAR ベースのオドメトリのサポートを組み合わせた新しいマルチセッション LiDAR マッピング システムである MS-Mapping について紹介します。これにより、大規模環境での高精度で一貫したマップのアセンブリが可能になります。
私たちのアプローチでは、Wasserstein 距離に基づいたリアルタイムのキーフレーム選択方法を導入し、データの冗長性とポーズ グラフの複雑さを効果的に軽減します。
混合ガウス モデル (GMM) に基づく類似性法を使用して LiDAR 点群キーフレーム選択問題を定式化し、増分ボクセル更新法を採用することでリアルタイムの課題に取り組みます。
大規模なキャンパス シーンと \SI{12.8}{km} を超える公開および自己収集のデータセットに対する広範な実験により、マップ アセンブリ アプローチの効率、精度、一貫性が実証されました。
コミュニティでのさらなる研究と開発を促進するために、コード https://github.com/JokerJohn/MS-Mapping とデータセットを公開します。

要約(オリジナル)

Large-scale multi-session LiDAR mapping plays a crucial role in various applications but faces significant challenges in data redundancy and pose graph scalability. This paper present MS-Mapping, a novel multi-session LiDAR mapping system that combines an incremental mapping scheme with support for various LiDAR-based odometry, enabling high-precision and consistent map assembly in large-scale environments. Our approach introduces a real-time keyframe selection method based on the Wasserstein distance, which effectively reduces data redundancy and pose graph complexity. We formulate the LiDAR point cloud keyframe selection problem using a similarity method based on Gaussian mixture models (GMM) and tackle the real-time challenge by employing an incremental voxel update method. Extensive experiments on large-scale campus scenes and over \SI{12.8}{km} of public and self-collected datasets demonstrate the efficiency, accuracy, and consistency of our map assembly approach. To facilitate further research and development in the community, we make our code https://github.com/JokerJohn/MS-Mapping and datasets publicly available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google