AC-LIO: Towards Asymptotic and Consistent Convergence in LiDAR-Inertial Odometry

要約

既存の LiDAR 慣性オドメトリ (LIO) フレームワークは通常、IMU の統合から得られた以前の状態の軌道を利用して、LiDAR フレーム内の動きの歪みを補償し、通常の低速で滑らかなシーンで優れた精度と安定性を実証します。
ただし、高速または激しい動きのシナリオでは、IMU の精度と周波数の制限により残留歪みが増加する可能性があり、これにより LiDAR フレームとその表現された幾何学的環境との間の一貫性が低下し、点群の登録が局所的な最適化に陥り、
その結果、長時間かつ大規模な位置特定におけるドリフトが増加します。
この問題に対処するために、AC-LIO と呼ばれる、漸近的かつ一貫して収束する新しい LIO フレームワークを提案します。
まず、反復状態推定中に、前の状態チェーンに基づいて更新項を逆伝播し、次の反復の前に残留歪みを漸近的に補償します。
次に、現在のフレームの初期誤差と動き歪みの間の弱い相関関係を考慮して、バックプロパゲーションを制御するための点群制約に基づく収束基準を提案します。
収束基準に基づいて漸近的な歪み補償を導くアプローチは、点群登録の一貫した収束を促進し、LIO の精度と堅牢性を向上させることができます。
実験の結果、当社の AC-LIO フレームワークは、他の最先端のフレームワークと比較して、状態推定における一貫した収束を効果的に促進し、長時間かつ大規模な位置特定とマッピングの精度がさらに向上することが示されています。

要約(オリジナル)

Existing LiDAR-Inertial Odometry (LIO) frameworks typically utilize prior state trajectories derived from IMU integration to compensate for the motion distortion within LiDAR frames, and demonstrate outstanding accuracy and stability in regular low-speed and smooth scenes. However, in high-speed or intense motion scenarios, the residual distortion may increase due to the limitation of IMU’s accuracy and frequency, which will degrade the consistency between the LiDAR frame with its represented geometric environment, leading pointcloud registration to fall into local optima and consequently increasing the drift in long-time and large-scale localization. To address the issue, we propose a novel asymptotically and consistently converging LIO framework called AC-LIO. First, during the iterative state estimation, we backwards propagate the update term based on the prior state chain, and asymptotically compensate the residual distortion before next iteration. Second, considering the weak correlation between the initial error and motion distortion of current frame, we propose a convergence criteria based on pointcloud constraints to control the back propagation. The approach of guiding the asymptotic distortion compensation based on convergence criteria can promote the consistent convergence of pointcloud registration and increase the accuracy and robustness of LIO. Experiments show that our AC-LIO framework, compared to other state-of-the-art frameworks, effectively promotes consistent convergence in state estimation and further improves the accuracy of long-time and large-scale localization and mapping.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google