Graph Optimality-Aware Stochastic LiDAR Bundle Adjustment with Progressive Spatial Smoothing

要約

センサーの向きとポイントクラウドの精度を同時に改良するための大規模なLidarバンドル調整（LBA）は、ナビゲーションマップを構築することは、ロジスティクスとロボット工学の基本的なタスクです。
LBAは、リダーフレーム間のペアワイズ関係のみに依存するポーズグラフベースの方法とは異なり、特に初期のポーズ推定値が低コストセンサーでは信頼できない場合、より正確な結果を達成するために生のライダー対応を活用します。
ただし、既存のLBAメソッドは、単純な平面対応、広範な観測、および最小二乗問題の密な正常行列などの課題に直面しており、堅牢性、効率、およびスケーラビリティを制限します。
これらの問題に対処するために、プログレッシブ空間スムージング、すなわちPSS-GOSOを備えたグラフの最適性を認識している確率的最適化スキームを提案して、\ textit {robust}、\ textit {efficive}、および\ textit {scalable} lbaを実現します。
Progressive Spatial Smoothing（PSS）モジュール抽出\ TextIT {robust} lidar特徴的な関連付けは、多項式滑らかなカーネルによって得られた以前の構造情報を活用しています。
グラフの最適性 – アウェア確率的最適化（GOSO）モジュールは、\ textit {Efficient}最適化の最適性に応じてグラフを最初にスパースします。
GOSOは、確率的クラスタリングとグラフの疎外を利用して、\ textit {scalable} lbaの大規模な状態推定問題を解決します。
さまざまなプラットフォームによってキャプチャされた多様なシーン全体でPSS-GOSOを検証し、既存の方法と比較して優れたパフォーマンスを実証しています。
さらに、結果のポイントクラウドマップは、大規模な複雑なシーンでの自動ラストマイル配信に使用されます。
プロジェクトページは、\ url {https://kafeiyin00.github.io/pss-goso/}にあります。

要約(オリジナル)

Large-scale LiDAR Bundle Adjustment (LBA) to refine sensor orientation and point cloud accuracy simultaneously to build the navigation map is a fundamental task in logistics and robotics. Unlike pose-graph-based methods that rely solely on pairwise relationships between LiDAR frames, LBA leverages raw LiDAR correspondences to achieve more precise results, especially when initial pose estimates are unreliable for low-cost sensors. However, existing LBA methods face challenges such as simplistic planar correspondences, extensive observations, and dense normal matrices in the least-squares problem, which limit robustness, efficiency, and scalability. To address these issues, we propose a Graph Optimality-aware Stochastic Optimization scheme with Progressive Spatial Smoothing, namely PSS-GOSO, to achieve \textit{robust}, \textit{efficient}, and \textit{scalable} LBA. The Progressive Spatial Smoothing (PSS) module extracts \textit{robust} LiDAR feature association exploiting the prior structure information obtained by the polynomial smooth kernel. The Graph Optimality-aware Stochastic Optimization (GOSO) module first sparsifies the graph according to optimality for an \textit{efficient} optimization. GOSO then utilizes stochastic clustering and graph marginalization to solve the large-scale state estimation problem for a \textit{scalable} LBA. We validate PSS-GOSO across diverse scenes captured by various platforms, demonstrating its superior performance compared to existing methods. Moreover, the resulting point cloud maps are used for automatic last-mile delivery in large-scale complex scenes. The project page can be found at: \url{https://kafeiyin00.github.io/PSS-GOSO/}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google