FAST-LIVO2 on Resource-Constrained Platforms: LiDAR-Inertial-Visual Odometry with Efficient Memory and Computation

要約

このペーパーでは、リソースに制約のあるプラットフォーム向けに最適化された軽量のLidar-inertial-Visual odometryシステムを紹介します。
退化した適応視覚フレームセレクターをエラーステートの反復型カルマンフィルター（ESIKF）にシーケンシャル更新で統合し、同様のレベルの堅牢性を維持しながら計算効率を大幅に改善します。
さらに、ローカルに統一された視覚ライダーマップと長期的な視覚マップを組み合わせたメモリ効率の高いマッピング構造は、パフォーマンスとメモリ使用法の間の良好なトレードオフを実現します。
X86およびARMプラットフォームでの広範な実験は、システムの堅牢性と効率性を示しています。
HILTIデータセットでは、当社のシステムは、FAST-LIVO2と比較して、フレームあたりのランタイムごとに33％減少し、メモリ使用量が47％減少し、RMSEが3 cmの増加しか増加しません。
このわずかな精度のトレードオフにもかかわらず、私たちのシステムは競争力のある競争力があり、高速LIO2やほとんどの既存のLivoシステムなどの最先端の（SOTA）LIOメソッドを上回っています。
これらの結果は、リソース制約のあるエッジコンピューティングプラットフォームでのスケーラブルな展開に対するシステムの機能を検証します。

要約(オリジナル)

This paper presents a lightweight LiDAR-inertial-visual odometry system optimized for resource-constrained platforms. It integrates a degeneration-aware adaptive visual frame selector into error-state iterated Kalman filter (ESIKF) with sequential updates, improving computation efficiency significantly while maintaining a similar level of robustness. Additionally, a memory-efficient mapping structure combining a locally unified visual-LiDAR map and a long-term visual map achieves a good trade-off between performance and memory usage. Extensive experiments on x86 and ARM platforms demonstrate the system’s robustness and efficiency. On the Hilti dataset, our system achieves a 33% reduction in per-frame runtime and 47% lower memory usage compared to FAST-LIVO2, with only a 3 cm increase in RMSE. Despite this slight accuracy trade-off, our system remains competitive, outperforming state-of-the-art (SOTA) LIO methods such as FAST-LIO2 and most existing LIVO systems. These results validate the system’s capability for scalable deployment on resource-constrained edge computing platforms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google