TRLO: An Efficient LiDAR Odometry with 3D Dynamic Object Tracking and Removal

要約

状態推定とマッピングを同時に行うことは、動的な都市環境で動作する移動ロボットにとって不可欠な機能です。
既存の SLAM ソリューションの大部分は、主に静的な仮定に大きく依存しています。
ただし、移動する車両や歩行者の存在により、この仮定が常に成り立つわけではなく、位置特定の精度が低下したり、地図が歪んだりすることがあります。
この課題に対処するために、状態推定の精度を効率的に向上させ、よりきれいな点群マップを生成する動的 LiDAR オドメトリである TRLO を提案します。
周囲環境内の動的オブジェクトを効率的に検出するために、深層学習ベースの方法が適用され、検出境界ボックスが生成されます。
次に、無香料カルマン フィルター (UKF) と最近隣 (NN) 戦略に基づいて、動的オブジェクトを確実に識別して削除する 3D マルチオブジェクト トラッカーを設計します。
その後、高速 2 段階反復最近点ソルバーを使用して、クリーン化された静的点群を使用して状態推定を解決します。
検索キーフレームへの高速アクセスのために、新しいハッシュベースのキーフレーム データベース管理が提案されていることに注意してください。
さらに、検出されたすべてのオブジェクト境界ボックスを利用して姿勢一貫性制約を課し、最終状態の推定をさらに精緻化します。
KITTI および UrbanLoco データセットに対して行われた広範な評価とアブレーション研究は、私たちのアプローチがより正確な状態推定を達成するだけでなく、ベースラインと比較してよりクリーンなマップを生成することを実証しています。

要約(オリジナル)

Simultaneous state estimation and mapping is an essential capability for mobile robots working in dynamic urban environment. The majority of existing SLAM solutions heavily rely on a primarily static assumption. However, due to the presence of moving vehicles and pedestrians, this assumption does not always hold, leading to localization accuracy decreased and maps distorted. To address this challenge, we propose TRLO, a dynamic LiDAR odometry that efficiently improves the accuracy of state estimation and generates a cleaner point cloud map. To efficiently detect dynamic objects in the surrounding environment, a deep learning-based method is applied, generating detection bounding boxes. We then design a 3D multi-object tracker based on Unscented Kalman Filter (UKF) and nearest neighbor (NN) strategy to reliably identify and remove dynamic objects. Subsequently, a fast two-stage iterative nearest point solver is employed to solve the state estimation using cleaned static point cloud. Note that a novel hash-based keyframe database management is proposed for fast access to search keyframes. Furthermore, all the detected object bounding boxes are leveraged to impose posture consistency constraint to further refine the final state estimation. Extensive evaluations and ablation studies conducted on the KITTI and UrbanLoco datasets demonstrate that our approach not only achieves more accurate state estimation but also generates cleaner maps, compared with baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google