GeomGS: LiDAR-Guided Geometry-Aware Gaussian Splatting for Robot Localization

要約

マッピングとローカリゼーションは、ロボット工学と自律運転における重要な問題です。
3Dガウスの飛び散（3DG）の最近の進歩により、写真と現実的な画像をレンダリングすることにより、正確な3Dマッピングとシーンの理解が可能になりました。
ただし、既存の3DGSメソッドは、現実世界の実際のスケールとジオメトリを反映する3Dマップを正確に再構築するのに苦労しており、ローカリゼーションのパフォーマンスを低下させます。
これらの制限に対処するために、Geometry-Aware Gaussian Splatting（Geomgs）と呼ばれる新しい3DGSメソッドを提案します。
この方法は、LIDARを初期点として使用する、またはガウスポイントに単純な制約を導入するアプローチとは対照的に、確率的アプローチを介してLiDARデータを3Dガウスプリミティブに完全に統合します。
この目的のために、各ガウスポイントの構造的信頼性を識別する幾何学的信頼スコア（GCS）を導入します。
GCSは、正確な構造を構築するために、確率的距離制約の下でガウスと同時に最適化されています。
さらに、GEOMGの幾何学的特性と測光特性の両方を完全に利用する新しいローカリゼーション方法を提案します。
GEOMGSは、いくつかのベンチマークにわたって最先端の幾何学的およびローカリゼーションパフォーマンスを示し、測光性能も向上しています。

要約(オリジナル)

Mapping and localization are crucial problems in robotics and autonomous driving. Recent advances in 3D Gaussian Splatting (3DGS) have enabled precise 3D mapping and scene understanding by rendering photo-realistic images. However, existing 3DGS methods often struggle to accurately reconstruct a 3D map that reflects the actual scale and geometry of the real world, which degrades localization performance. To address these limitations, we propose a novel 3DGS method called Geometry-Aware Gaussian Splatting (GeomGS). This method fully integrates LiDAR data into 3D Gaussian primitives via a probabilistic approach, as opposed to approaches that only use LiDAR as initial points or introduce simple constraints for Gaussian points. To this end, we introduce a Geometric Confidence Score (GCS), which identifies the structural reliability of each Gaussian point. The GCS is optimized simultaneously with Gaussians under probabilistic distance constraints to construct a precise structure. Furthermore, we propose a novel localization method that fully utilizes both the geometric and photometric properties of GeomGS. Our GeomGS demonstrates state-of-the-art geometric and localization performance across several benchmarks, while also improving photometric performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google