Tightly-Coupled LiDAR-IMU-Wheel Odometry with an Online Neural Kinematic Model Learning via Factor Graph Optimization

要約

幾何学的特徴のない環境（トンネルや長い直線通路など）は、LiDARベースのオドメトリーアルゴリズムにとって困難です。車輪型ロボットの場合、車輪運動学モデル（車輪オドメトリ）はオドメトリ推定の信頼性を向上させることができます。しかし、スキッドステアリングロボットの場合、複雑な運動（車輪のスリップ、横方向の動きなど）に悩まされます。さらに、これらの誤差は、車輪の滑りが大きい場合（ドリフトなど）には非線形に変化し、地形に依存したパラメータの影響を受けます。点群の劣化と運動学的モデルの誤差に同時に取り組むために、我々は非線形性を持つ車輪型ロボットの運動学的モデルを学習するニューラルネットのオンライン学習を組み込んだLiDAR-IMU-車輪オドメトリアルゴリズムを開発した。ニューラルネットワークをロボットの状態と共に因子グラフ上でオンライン学習することで、学習ベースの運動学モデルを現在の地形状態に適応させることを提案する。提案手法は、ニューラルネットワークのオンライン学習と、LiDAR-IMU-車輪のオドメトリを、統一された因子グラフ上で共同で解くことで、これら全ての制約の整合性を保持する。実験を通して、まず、提案するネットワークが変化する環境に適応し、異なる環境下でも正確なオドメトリ推定が可能であることを確認した。次に、提案するオドメトリ推定アルゴリズムが、点群変性や運動学モデルの非線形性（ドリフトによる大きな車輪の滑りなど）に対してロバストであることを確認した。要約ビデオはこちらでご覧いただけます： https://www.youtube.com/watch?v=CvRVhdda7Cw

要約(オリジナル)

Environments lacking geometric features (e.g., tunnels and long straight corridors) are challenging for LiDAR-based odometry algorithms because LiDAR point clouds degenerate in such environments. For wheeled robots, a wheel kinematic model (i.e., wheel odometry) can improve the reliability of the odometry estimation. However, the kinematic model suffers from complex motions (e.g., wheel slippage, lateral movement) in the case of skid-steering robots particularly because this robot model rotates by skidding its wheels. Furthermore, these errors change nonlinearly when the wheel slippage is large (e.g., drifting) and are subject to terrain-dependent parameters. To simultaneously tackle point cloud degeneration and the kinematic model errors, we developed a LiDAR-IMU-wheel odometry algorithm incorporating online training of a neural network that learns the kinematic model of wheeled robots with nonlinearity. We propose to train the neural network online on a factor graph along with robot states, allowing the learning-based kinematic model to adapt to the current terrain condition. The proposed method jointly solves online training of the neural network and LiDAR-IMU-wheel odometry on a unified factor graph to retain the consistency of all those constraints. Through experiments, we first verified that the proposed network adapted to a changing environment, resulting in an accurate odometry estimation across different environments. We then confirmed that the proposed odometry estimation algorithm was robust against point cloud degeneration and nonlinearity (e.g., large wheel slippage by drifting) of the kinematic model. The summary video is available here: https://www.youtube.com/watch?v=CvRVhdda7Cw

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL