Voxel-SLAM: A Complete, Accurate, and Versatile LiDAR-Inertial SLAM System

要約

この研究では、Voxel-SLAM を紹介します。これは、短期、中期、長期、およびマルチマップ データの関連付けを完全に活用して、リアルタイムの推定と
高精度マッピング。
このシステムは、初期化、オドメトリ、ローカル マッピング、ループ クロージャ、およびグローバル マッピングの 5 つのモジュールで構成されており、すべて同じマップ表現である適応ボクセル マップを採用しています。
初期化により、正確な初期状態推定と後続のモジュールの一貫したローカル マップが提供され、システムが非常に動的な初期状態で開始できるようになります。
オドメトリは、短期データの関連付けを利用して、現在の状態を迅速に推定し、潜在的なシステムの発散を検出します。
ローカル マッピングでは、中期データ関連付けを活用し、ローカル LiDAR 慣性バンドル調整 (BA) を使用して、最近の LiDAR スキャンのスライディング ウィンドウ内の状態 (およびローカル マップ) を調整します。
ループ クロージャは、現在および以前のすべてのセッションで以前に訪れた場所を検出します。
グローバル マッピングは、効率的な階層グローバル BA を使用してグローバル マップを改良します。
ループ クロージャとグローバル マッピングは両方とも、長期的なマルチマップ データの関連付けを利用します。
私たちは、携帯機器を使用した狭い屋内環境、航空機ロボットを使用した大規模な荒野環境、車両プラットフォーム上の都市環境を含む 3 つの代表的なシーンの 30 シーケンスにわたって、他の最先端の手法との包括的なベンチマーク比較を実施しました。
他の実験では、初期化の堅牢性と効率性、複数のセッションで動作する能力、縮退環境での再ローカリゼーションを実証しています。

要約(オリジナル)

In this work, we present Voxel-SLAM: a complete, accurate, and versatile LiDAR-inertial SLAM system that fully utilizes short-term, mid-term, long-term, and multi-map data associations to achieve real-time estimation and high precision mapping. The system consists of five modules: initialization, odometry, local mapping, loop closure, and global mapping, all employing the same map representation, an adaptive voxel map. The initialization provides an accurate initial state estimation and a consistent local map for subsequent modules, enabling the system to start with a highly dynamic initial state. The odometry, exploiting the short-term data association, rapidly estimates current states and detects potential system divergence. The local mapping, exploiting the mid-term data association, employs a local LiDAR-inertial bundle adjustment (BA) to refine the states (and the local map) within a sliding window of recent LiDAR scans. The loop closure detects previously visited places in the current and all previous sessions. The global mapping refines the global map with an efficient hierarchical global BA. The loop closure and global mapping both exploit long-term and multi-map data associations. We conducted a comprehensive benchmark comparison with other state-of-the-art methods across 30 sequences from three representative scenes, including narrow indoor environments using hand-held equipment, large-scale wilderness environments with aerial robots, and urban environments on vehicle platforms. Other experiments demonstrate the robustness and efficiency of the initialization, the capacity to work in multiple sessions, and relocalization in degenerated environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google