Tightly-Coupled LiDAR-IMU-Wheel Odometry with an Online Neural Kinematic Model Learning via Factor Graph Optimization

要約

幾何学的特徴が欠如した環境 (トンネルや直線の長い廊下など) は、そのような環境では LiDAR 点群が縮退するため、LiDAR ベースのオドメトリ アルゴリズムにとって困難です。
車輪付きロボットの場合、車輪運動学モデル (つまり、車輪オドメトリ) により、オドメトリ推定の信頼性を向上させることができます。
ただし、スキッドステアリングロボットの場合、特にこのロボットモデルは車輪を滑らせて回転するため、運動学モデルは複雑な動き（車輪の滑り、横方向の動きなど）の影響を受けます。
さらに、これらの誤差は、車輪の滑りが大きい場合 (ドリフトなど) に非線形に変化し、地形に依存するパラメーターの影響を受けます。
点群の変性と運動学モデルのエラーに同時に取り組むために、非線形性を備えた車輪付きロボットの運動学モデルを学習するニューラル ネットワークのオンライン トレーニングを組み込んだ LiDAR-IMU ホイール オドメトリ アルゴリズムを開発しました。
私たちは、ロボットの状態とともにファクター グラフ上でニューラル ネットワークをオンラインでトレーニングし、学習ベースの運動学モデルを現在の地形条件に適応できるようにすることを提案します。
提案された方法は、ニューラル ネットワークのオンライン トレーニングと統一ファクター グラフ上の LiDARIMUwheel オドメトリを共同で解決し、これらすべての制約の一貫性を維持します。
実験を通じて、まず提案したネットワークが変化する環境に適応し、さまざまな環境にわたって正確なオドメトリ推定が行われることを検証しました。次に、提案したオドメトリ推定アルゴリズムが点群の変性や非線形性（例：車輪による大きな車輪の滑りなど）に対して堅牢であることを確認しました。
ドリフト) の運動学モデル。

要約(オリジナル)

Environments lacking geometric features (e.g., tunnels and long straight corridors) are challenging for LiDAR-based odometry algorithms because LiDAR point clouds degenerate in such environments. For wheeled robots, a wheel kinematic model (i.e., wheel odometry) can improve the reliability of the odometry estimation. However, the kinematic model suffers from complex motions (e.g., wheel slippage, lateral movement) in the case of skid-steering robots particularly because this robot model rotates by skidding its wheels. Furthermore, these errors change nonlinearly when the wheel slippage is large (e.g., drifting) and are subject to terrain-dependent parameters. To simultaneously tackle point cloud degeneration and the kinematic model errors, we developed a LiDAR-IMU-wheel odometry algorithm incorporating online training of a neural network that learns the kinematic model of wheeled robots with nonlinearity. We propose to train the neural network online on a factor graph along with robot states, allowing the learning-based kinematic model to adapt to the current terrain condition. The proposed method jointly solves online training of the neural network and LiDARIMUwheel odometry on a unified factor graph to retain the consistency of all those constraints. Through experiments, we first verified that the proposed network adapted to a changing environment, resulting in an accurate odometry estimation across different environments.We then confirmed that the proposed odometry estimation algorithm was robust against point cloud degeneration and nonlinearity (e.g., large wheel slippage by drifting) of the kinematic model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google