A flexible framework for accurate LiDAR odometry, map manipulation, and localization

要約

LiDAR ベースの SLAM は、自動運転車やロボットの中核となるテクノロジーです。
3D LiDAR SLAM とローカライゼーションに対するこの研究の主な貢献の 1 つは、マップの基本的な表現としてのビューベースのマップ (タイムスタンプ付きセンサー読み取り値を含むポーズ グラフ) の強力な防御です。
これから示されるように、これらは最大限の柔軟性を可能にし、特定のタスクに最適化された任意のメトリック マップの事後生成を可能にします。
障害物の回避、リアルタイムの位置特定。
さらに、この研究では、コーディングなしでマッピング パイプラインを定義できる新しいフレームワークを導入し、深層学習ネットワークが標準化された要素の層を接続して設計されるのと同じように、再利用可能なブロックのネットワークの接続を定義します。
また、Iterative Closest Point (ICP) のようなオプティマイザー内で線形速度ベクトルと角速度ベクトルの密結合推定を導入し、IMU を必要とせずに攻撃的なモーション プロファイルに対する優れたロバスト性を実現します。
広範な実験検証により、この提案が以前の最先端 (SOTA) LiDAR オドメトリ システムと比較して優れている、またはそれを改善していると同時に、他のシーケンスが分岐するいくつかのハード シーケンスのマッピングにも成功していることが明らかになりました。
提案された自己適応構成は、パラメータを変更することなく、16 ～ 128 リングのセンサーを備えたすべての 3D LiDAR データセットに使用され、250 km 以上の自動車、手持ち式、航空機、航空機などの 83 シーケンスで広範囲にテストされています。
屋内と屋外の両方の四足 LiDAR データセット。
システムの柔軟性は、2D LiDAR および 3D NDT のようなマップを構築するための追加構成で実証されます。
このフレームワークはオンラインでオープンソース化されています: https://github.com/MOLAorg/mola

要約(オリジナル)

LiDAR-based SLAM is a core technology for autonomous vehicles and robots. One key contribution of this work to 3D LiDAR SLAM and localization is a fierce defense of view-based maps (pose graphs with time-stamped sensor readings) as the fundamental representation of maps. As will be shown, they allow for the greatest flexibility, enabling the posterior generation of arbitrary metric maps optimized for particular tasks, e.g. obstacle avoidance, real-time localization. Moreover, this work introduces a new framework in which mapping pipelines can be defined without coding, defining the connections of a network of reusable blocks much like deep-learning networks are designed by connecting layers of standardized elements. We also introduce tightly-coupled estimation of linear and angular velocity vectors within the Iterative Closest Point (ICP)-like optimizer, leading to superior robustness against aggressive motion profiles without the need for an IMU. Extensive experimental validation reveals that the proposal compares well to, or improves, former state-of-the-art (SOTA) LiDAR odometry systems, while also successfully mapping some hard sequences where others diverge. A proposed self-adaptive configuration has been used, without parameter changes, for all 3D LiDAR datasets with sensors between 16 and 128 rings, and has been extensively tested on 83 sequences over more than 250~km of automotive, hand-held, airborne, and quadruped LiDAR datasets, both indoors and outdoors. The system flexibility is demonstrated with additional configurations for 2D LiDARs and for building 3D NDT-like maps. The framework is open-sourced online: https://github.com/MOLAorg/mola

arxiv情報

提供元, 利用サービス

arxiv.jp, Google