AS-LIO: Spatial Overlap Guided Adaptive Sliding Window LiDAR-Inertial Odometry for Aggressive FOV Variation

要約

LiDAR 慣性オドメトリ (LIO) は、一般的な低速およびスムーズな動きのシナリオにおいて優れた精度と安定性を実証します。
ただし、急旋回などの高速で激しい動きのシナリオでは、2 つの主要な課題が生じます。1 つは、IMU 周波数の制限により、著しく非線形な動きの状態を推定する際の誤差が増大することです。
次に、視野 (FOV) の急激な変化により、LiDAR フレームとポイントクラウド マップ (またはフレーム間) の間の空間的な重なりが減少し、データの関連付けが不十分になり、制約が低下する可能性があります。
これらの問題に対処するために、空間オーバーラップ度 (SOD) に基づいた新しいアダプティブ スライディング ウィンドウ LIO フレームワーク (AS-LIO) を提案します。
最初に、LiDAR フレームと登録されたマップの間の SOD を評価し、点群の位置合わせに対する現在の FOV 変動の悪影響を直接評価します。
続いて、連続的な LiDAR ストリームを管理し、状態更新を制御するための適応スライディング ウィンドウを設計し、SOD に従って更新ステップを動的に調整します。
この戦略により、オドメトリはより高い更新頻度を適応的に採用して、積極的な FOV 変動時の軌道を正確に特徴づけることができるため、位置決めにおける非線形誤差を効果的に低減できます。
一方、スライディング ウィンドウ内の履歴制約により、フレームとマップのデータの関連付けが強化され、状態推定の堅牢性が保証されます。
実験の結果、当社の AS-LIO フレームワークは困難な FOV 変化を迅速に認識して対応でき、精度と堅牢性の点で他の最先端の LIO フレームワークを上回っていることが示されています。

要約(オリジナル)

LiDAR-Inertial Odometry (LIO) demonstrates outstanding accuracy and stability in general low-speed and smooth motion scenarios. However, in high-speed and intense motion scenarios, such as sharp turns, two primary challenges arise: firstly, due to the limitations of IMU frequency, the error in estimating significantly non-linear motion states escalates; secondly, drastic changes in the Field of View (FOV) may diminish the spatial overlap between LiDAR frame and pointcloud map (or between frames), leading to insufficient data association and constraint degradation. To address these issues, we propose a novel Adaptive Sliding window LIO framework (AS-LIO) guided by the Spatial Overlap Degree (SOD). Initially, we assess the SOD between the LiDAR frames and the registered map, directly evaluating the adverse impact of current FOV variation on pointcloud alignment. Subsequently, we design an adaptive sliding window to manage the continuous LiDAR stream and control state updates, dynamically adjusting the update step according to the SOD. This strategy enables our odometry to adaptively adopt higher update frequency to precisely characterize trajectory during aggressive FOV variation, thus effectively reducing the non-linear error in positioning. Meanwhile, the historical constraints within the sliding window reinforce the frame-to-map data association, ensuring the robustness of state estimation. Experiments show that our AS-LIO framework can quickly perceive and respond to challenging FOV change, outperforming other state-of-the-art LIO frameworks in terms of accuracy and robustness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google