KN-LIO: Geometric Kinematics and Neural Field Coupled LiDAR-Inertial Odometry

要約

LiDAR 慣性オドメトリ (LIO) の最近の進歩により、多くのアプリケーションが増加しました。
ただし、従来の LIO システムはマッピングよりも位置特定に重点を置く傾向があり、マップの大部分がまばらな幾何学的要素で構成されており、下流のタスクには理想的ではありません。
最近登場したニューラル フィールド テクノロジは、高密度マッピングに大きな可能性を秘めていますが、純粋な LiDAR マッピングは、ハイダイナミックな車両で機能するのが困難です。
この課題を軽減するために、幾何学的運動学とニューラル フィールドを緊密に結合して、同時状態推定と高密度マッピング機能を強化する新しいソリューションを紹介します。
我々は、オンライン SDF デコーディングと反復エラー状態カルマン フィルタリングを利用してレーザー データと慣性データを融合する、半結合および密結合のキネマティック ニューラル LIO (KN-LIO) システムを提案します。
当社の KN-LIO は、情報損失を最小限に抑え、状態推定の精度を向上させると同時に、非同期マルチ LiDAR 入力にも対応します。
多様な高動的データセットの評価では、当社の KN-LIO が姿勢推定において既存の最先端ソリューションと同等以上のパフォーマンスを達成し、純粋な LiDAR ベースの方法と比較して高密度マッピングの精度が向上していることが実証されています。
関連するコードとデータセットは https://** で利用可能になります。

要約(オリジナル)

Recent advancements in LiDAR-Inertial Odometry (LIO) have boosted a large amount of applications. However, traditional LIO systems tend to focus more on localization rather than mapping, with maps consisting mostly of sparse geometric elements, which is not ideal for downstream tasks. Recent emerging neural field technology has great potential in dense mapping, but pure LiDAR mapping is difficult to work on high-dynamic vehicles. To mitigate this challenge, we present a new solution that tightly couples geometric kinematics with neural fields to enhance simultaneous state estimation and dense mapping capabilities. We propose both semi-coupled and tightly coupled Kinematic-Neural LIO (KN-LIO) systems that leverage online SDF decoding and iterated error-state Kalman filtering to fuse laser and inertial data. Our KN-LIO minimizes information loss and improves accuracy in state estimation, while also accommodating asynchronous multi-LiDAR inputs. Evaluations on diverse high-dynamic datasets demonstrate that our KN-LIO achieves performance on par with or superior to existing state-of-the-art solutions in pose estimation and offers improved dense mapping accuracy over pure LiDAR-based methods. The relevant code and datasets will be made available at https://**.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google