Fusion LiDAR-Inertial-Encoder data for High-Accuracy SLAM

要約

ロボット工学の分野では、特にテクスチャのない構造のような困難な環境では、自動位置特定とマッピング (SLAM) を達成することが自律ナビゲーションにとって最も重要です。
この論文では、このような環境での測位を強化するために、IMU とエンコーダ センサーを緊密に統合するファクター グラフ ベースのモデルを提案しました。
このシステムは、各センサーからのデータを注意深く評価することによって動作します。
これらの評価に基づいて、重みは動的に調整され、その時点でより信頼性の高い情報源が優先されます。
ロボットの状態は IMU データを使用して初期化され、エンコーダは長い廊下での動きの推定を支援します。
2 つの状態間の不一致は、IMU ドリフトを修正するために使用されます。
この方法の有効性は実験によって実証されています。
広く使用されている SLAM アルゴリズムである Karto SLAM と比較して、このアプローチは回転角度誤差を 26.98% 改善し、位置誤差を 67.68% 削減します。
これらの結果は、テクスチャのない環境におけるこの方法の優れた精度と堅牢性を説得力をもって示しています。

要約(オリジナル)

In the realm of robotics, achieving simultaneous localization and mapping (SLAM) is paramount for autonomous navigation, especially in challenging environments like texture-less structures. This paper proposed a factor-graph-based model that tightly integrates IMU and encoder sensors to enhance positioning in such environments. The system operates by meticulously evaluating the data from each sensor. Based on these evaluations, weights are dynamically adjusted to prioritize the more reliable source of information at any given moment. The robot’s state is initialized using IMU data, while the encoder aids motion estimation in long corridors. Discrepancies between the two states are used to correct IMU drift. The effectiveness of this method is demonstrably validated through experimentation. Compared to Karto SLAM, a widely used SLAM algorithm, this approach achieves an improvement of 26.98% in rotation angle error and 67.68% reduction in position error. These results convincingly demonstrate the method’s superior accuracy and robustness in texture-less environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google