From Underground Mines to Offices: A Versatile and Robust Framework for Range-Inertial SLAM

要約

SLAM (Simultaneous Localization and Mapping) は、自律ロボット アプリケーションや自動運転車の重要なコンポーネントであり、環境を理解し、動作できるようにします。
過去 10 年間に多くの SLAM システムが提案されてきましたが、多くの場合、さまざまな設定やセンサーのセットアップに適応するには複雑です。
この研究では、最小限のパラメータ調整で地下鉱山からオフィスまで、さまざまなタイプのセンサーや環境に適応できる多用途の範囲慣性 SLAM フレームワークである LiDAR Graph-SLAM (LG-SLAM) を紹介します。
当社のシステムは、距離、慣性、GNSS 測定をグラフベースの最適化フレームワークに統合します。
また、洗練されたサブマップ管理アプローチと、推定上のループ クロージャーの特定と検証における不確実性を効果的に考慮して、グローバルな一貫性と堅牢性を確保する堅牢なループ クロージャー手法を使用します。
並列化されたアーキテクチャと GPU 統合によって可能になった当社のシステムは、オンライン ループの終了とグラフの最適化とともに、LiDAR フレーム レートでの姿勢推定を実現します。
当社は、公開データセットと現実世界のデータを使用して、さまざまな環境でシステムを検証し、常に平均誤差 20 cm 未満を達成し、他の最先端のアルゴリズムを上回っています。

要約(オリジナル)

Simultaneous Localization and Mapping (SLAM) is an essential component of autonomous robotic applications and self-driving vehicles, enabling them to understand and operate in their environment. Many SLAM systems have been proposed in the last decade, but they are often complex to adapt to different settings or sensor setups. In this work, we present LiDAR Graph-SLAM (LG-SLAM), a versatile range-inertial SLAM framework that can be adapted to different types of sensors and environments, from underground mines to offices with minimal parameter tuning. Our system integrates range, inertial and GNSS measurements into a graph-based optimization framework. We also use a refined submap management approach and a robust loop closure method that effectively accounts for uncertainty in the identification and validation of putative loop closures, ensuring global consistency and robustness. Enabled by a parallelized architecture and GPU integration, our system achieves pose estimation at LiDAR frame rate, along with online loop closing and graph optimization. We validate our system in diverse environments using public datasets and real-world data, consistently achieving an average error below 20 cm and outperforming other state-of-the-art algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google