LiLoc: Lifelong Localization using Adaptive Submap Joining and Egocentric Factor Graph

要約

この論文では、汎用性の高いグラフベースの生涯位置特定フレームワークである LiLoc を提案します。LiLoc は、単一の中央セッションを維持することで適時性を高め、中央セッションと補助セッション間のマルチモーダル要素を通じて精度を向上させます。
まず、適応サブマップ結合戦略を採用して、中央セッションの事前サブマップ (キーフレームとポーズ) を生成し、堅牢なローカリゼーションに制約が必要な場合に子会社に事前サブマップを提供します。
次に、グローバル座標フレームでの垂直認識と ICP リファインメントを使用して、サブセッションの粗いから細かいポーズの初期化が実行されます。
その後の位置特定の精度を高めるために、IMU 事前統合、LiDAR オドメトリ、スキャン マッチ ファクターを統合最適化する自己中心的ファクター グラフ (EFG) モジュールを提案します。
具体的には、スキャン一致係数は、キーフレーム登録エラーに基づくノイズで重み付けされ、以前の制約をエッジとして関連する以前のポーズ ノードに効率的に分配する新しい伝播モデルによって構築されます。
さらに、フレームワークは、中央セッションから以前のサブマップを選択または更新する提案されたオーバーラップベースのメカニズムに基づいて、再ローカリゼーション (RLM) とインクリメンタル ローカリゼーション (ILM) の 2 つのモード間の柔軟な切り替えをサポートします。
提案された LiLoc はパブリック データセットとカスタム データセットでテストされ、最先端の方法に対して正確な位置特定パフォーマンスを実証しています。
私たちのコードは https://github.com/Yixin-F/LiLoc で公開されます。

要約(オリジナル)

This paper proposes a versatile graph-based lifelong localization framework, LiLoc, which enhances its timeliness by maintaining a single central session while improves the accuracy through multi-modal factors between the central and subsidiary sessions. First, an adaptive submap joining strategy is employed to generate prior submaps (keyframes and poses) for the central session, and to provide priors for subsidiaries when constraints are needed for robust localization. Next, a coarse-to-fine pose initialization for subsidiary sessions is performed using vertical recognition and ICP refinement in the global coordinate frame. To elevate the accuracy of subsequent localization, we propose an egocentric factor graph (EFG) module that integrates the IMU preintegration, LiDAR odometry and scan match factors in a joint optimization manner. Specifically, the scan match factors are constructed by a novel propagation model that efficiently distributes the prior constrains as edges to the relevant prior pose nodes, weighted by noises based on keyframe registration errors. Additionally, the framework supports flexible switching between two modes: relocalization (RLM) and incremental localization (ILM) based on the proposed overlap-based mechanism to select or update the prior submaps from central session. The proposed LiLoc is tested on public and custom datasets, demonstrating accurate localization performance against state-of-the-art methods. Our codes will be publicly available on https://github.com/Yixin-F/LiLoc.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google