要約
Continuous-Time Simultaneous Localization And Mapping (CTSLAM) は、非同期センサー スイートとマルチモーダル センサー スイートを融合するための有望なアプローチとなっています。
ポーズを離散的に推定する離散時間 SLAM とは異なり、CTSLAM は連続時間モーション パラメータ化を使用し、ローリング シャッター カメラ、イベント カメラ、慣性測定ユニット (IMU) などのさまざまなセンサーの統合を容易にします。
ただし、CTSLAM アプローチは依然として計算量が多く、従来は集中型の非線形最小二乗法 (NLLS) 最適化として扱われてきました。
これらの制限をターゲットとして、当社は、Sommer et al. と比較して 2.43 倍から 110.31 倍の高速化を達成する、最速の SymForce ベースの [Martiros et al., RSS 2022] B-Spline および Z-Spline 実装を提示するだけではありません。
[CVPR 2020] だけでなく、エージェント全体にわたる分散型の確率的推論を対象とする、Hyperion という造語である新しい連続時間ガウス信念伝播 (GBP) フレームワークも実装します。
私たちは、経験的なアブレーション研究によって補完された、モーション追跡および位置特定設定における私たちの方法の有効性を実証します。
要約(オリジナル)
Continuous-Time Simultaneous Localization And Mapping (CTSLAM) has become a promising approach for fusing asynchronous and multi-modal sensor suites. Unlike discrete-time SLAM, which estimates poses discretely, CTSLAM uses continuous-time motion parametrizations, facilitating the integration of a variety of sensors such as rolling-shutter cameras, event cameras and Inertial Measurement Units (IMUs). However, CTSLAM approaches remain computationally demanding and are conventionally posed as centralized Non-Linear Least Squares (NLLS) optimizations. Targeting these limitations, we not only present the fastest SymForce-based [Martiros et al., RSS 2022] B- and Z-Spline implementations achieving speedups between 2.43x and 110.31x over Sommer et al. [CVPR 2020] but also implement a novel continuous-time Gaussian Belief Propagation (GBP) framework, coined Hyperion, which targets decentralized probabilistic inference across agents. We demonstrate the efficacy of our method in motion tracking and localization settings, complemented by empirical ablation studies.
arxiv情報
| 著者 | David Hug,Ignacio Alzugaray,Margarita Chli |
| 発行日 | 2024-07-09 17:46:53+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google