SGLC: Semantic Graph-Guided Coarse-Fine-Refine Full Loop Closing for LiDAR SLAM

要約

ループ クロージングは​​ SLAM の重要なコンポーネントであり、ループ検出とループ ポーズ修正という 2 つの主要な手順を通じて蓄積されたエラーを排除するのに役立ちます。
最初のステップではループを閉じる必要があるかどうかを決定し、2 番目のステップではオドメトリ ドリフトを修正するために 6-DoF ポーズを推定します。
現在の方法は主に、ループ閉鎖検出のための堅牢な記述子の開発に焦点を当てており、多くの場合、ループの状態推定は無視されています。
姿勢推定を含むいくつかの方法では、精度が低いか、高い計算コストが発生します。
この問題に取り組むために、堅牢なループ クロージャ検出と 6-DoF 姿勢推定機能を備えた、リアルタイムのセマンティック グラフに基づくフル ループ クロージング手法である SGLC を導入します。
SGLC は、前景点と背景点の異なる特性を考慮します。
前景インスタンスの場合、点群表現を抽象化して記述子の高速生成と照合を行うだけでなく、その後のループ検証と初期姿勢推定のガイドとなるセマンティック グラフを構築します。
一方、背景点は、スキャン方向の​​記述子構築のためのより多くの幾何学的特徴と、さらなる姿勢調整のための安定した平面情報を提供するために利用されます。
ループ姿勢推定では、インスタンス ポイントと背景ポイントの両方の位置合わせを考慮する \mbox{coarse-fine-refine} 登録スキームを採用し、高い効率と精度を実現します。
複数の公的に利用可能なデータセットに対する広範な実験により、最先端の方法よりも優れていることが実証されています。
さらに、SGLC を SLAM システムに統合して、蓄積されたエラーを排除し、全体的な SLAM パフォーマンスを向上させます。
SGLC の実装は https://github.com/nubot-nudt/SGLC でリリースされます。

要約(オリジナル)

Loop closing is a crucial component in SLAM that helps eliminate accumulated errors through two main steps: loop detection and loop pose correction. The first step determines whether loop closing should be performed, while the second estimates the 6-DoF pose to correct odometry drift. Current methods mostly focus on developing robust descriptors for loop closure detection, often neglecting loop pose estimation. A few methods that do include pose estimation either suffer from low accuracy or incur high computational costs. To tackle this problem, we introduce SGLC, a real-time semantic graph-guided full loop closing method, with robust loop closure detection and 6-DoF pose estimation capabilities. SGLC takes into account the distinct characteristics of foreground and background points. For foreground instances, it builds a semantic graph that not only abstracts point cloud representation for fast descriptor generation and matching but also guides the subsequent loop verification and initial pose estimation. Background points, meanwhile, are exploited to provide more geometric features for scan-wise descriptor construction and stable planar information for further pose refinement. Loop pose estimation employs a \mbox{coarse-fine-refine} registration scheme that considers the alignment of both instance points and background points, offering high efficiency and accuracy. Extensive experiments on multiple publicly available datasets demonstrate its superiority over state-of-the-art methods. Additionally, we integrate SGLC into a SLAM system, eliminating accumulated errors and improving overall SLAM performance. The implementation of SGLC will be released at https://github.com/nubot-nudt/SGLC.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google