SGBA: Semantic Gaussian Mixture Model-Based LiDAR Bundle Adjustment

要約

LiDAR バンドル調整 (BA) は、フロントエンドからの姿勢推定のドリフトを軽減する効果的なアプローチです。
LiDAR BA に関する既存の作品は、通常、ランドマーク表現のために事前定義された幾何学的特徴に依存しています。
これらの特定の機能が存在しない環境ではシステムが必然的に劣化するため、この依存により汎用性が制限されます。
この問題に対処するために、事前定義された特徴タイプを使用せずにセマンティック ガウス混合モデル (GMM) として環境をモデル化する LiDAR BA スキームである SGBA を提案します。
このアプローチは、幾何学的な情報と意味論的な情報の両方をエンコードし、さまざまな環境に適応できる包括的で一般的な表現を提供します。
さらに、一般化可能性を確保しながら計算の複雑さを制限するために、コスト関数の条件数を評価することによって最適化のために最も有益な意味論的クラスターを選択する適応的意味論的選択フレームワークを提案します。
最後に、割り当ての確率密度全体を考慮する確率的特徴関連付けスキームを導入します。これにより、測定と初期姿勢推定における不確実性を管理できます。
私たちはさまざまな実験を実施し、その結果は、低品質の初期姿勢推定と限られた幾何学的特徴を伴う困難なシナリオであっても、SGBA が正確かつ堅牢な姿勢調整を達成できることを示しています。
私たちはコミュニティ https://github.com/Ji1Xinyu/SGBA の利益のために作業をオープンソース化する予定です。

要約(オリジナル)

LiDAR bundle adjustment (BA) is an effective approach to reduce the drifts in pose estimation from the front-end. Existing works on LiDAR BA usually rely on predefined geometric features for landmark representation. This reliance restricts generalizability, as the system will inevitably deteriorate in environments where these specific features are absent. To address this issue, we propose SGBA, a LiDAR BA scheme that models the environment as a semantic Gaussian mixture model (GMM) without predefined feature types. This approach encodes both geometric and semantic information, offering a comprehensive and general representation adaptable to various environments. Additionally, to limit computational complexity while ensuring generalizability, we propose an adaptive semantic selection framework that selects the most informative semantic clusters for optimization by evaluating the condition number of the cost function. Lastly, we introduce a probabilistic feature association scheme that considers the entire probability density of assignments, which can manage uncertainties in measurement and initial pose estimation. We have conducted various experiments and the results demonstrate that SGBA can achieve accurate and robust pose refinement even in challenging scenarios with low-quality initial pose estimation and limited geometric features. We plan to open-source the work for the benefit of the community https://github.com/Ji1Xinyu/SGBA.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google