A Minimal Subset Approach for Efficient and Scalable Loop Closure

要約

大規模かつ長期的なミッションにおけるループ閉鎖検出は、ポーズグラフ最適化のためのエッジ接続を確立するために、多数の候補ペアを識別、検証、処理する必要があるため、計算負荷が高くなる可能性があります。キーフレームサンプリングは、バックエンドシステムに保存・処理されるフレーム数を削減することにより、この問題を軽減します。この記事では、ポーズグラフ最適化とループ閉鎖検出を組み合わせた問題に対する、最適化されたキーフレームサンプリングのギャップに取り組みます。我々のMSA(Minimal Subset Approach)は、スライディングウィンドウの枠組みの中で、冗長性の最小化と情報保存という2つの重要な要素を持つ最適化戦略を採用し、重要な情報を保存しつつ、冗長なキーフレームを効率的に削減する。この方法は、スケーラビリティを向上させ、計算オーバーヘッドを削減しながら、ベースラインアプローチと同等の性能を実現する。最後に、MSAを一般に公開されているデータセットで評価し、パラメータを手動で調整することなく、幅広い環境で一貫した性能を発揮することを示す。

要約(オリジナル)

Loop closure detection in large-scale and long-term missions can be computationally demanding due to the need to identify, verify, and process numerous candidate pairs to establish edge connections for the pose graph optimization. Keyframe sampling mitigates this by reducing the number of frames stored and processed in the back-end system. In this article, we address the gap in optimized keyframe sampling for the combined problem of pose graph optimization and loop closure detection. Our Minimal Subset Approach (MSA) employs an optimization strategy with two key factors, redundancy minimization and information preservation, within a sliding window framework to efficiently reduce redundant keyframes, while preserving essential information. This method delivers comparable performance to baseline approaches, while enhancing scalability and reducing computational overhead. Finally, we evaluate MSA on relevant publicly available datasets, showcasing that it consistently performs across a wide range of environments, without requiring any manual parameter tuning.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL