Why Sample Space Matters: Keyframe Sampling Optimization for LiDAR-based Place Recognition

要約

ロボット工学の最近の進歩により、長期的および大規模なミッションの実世界の自律性が促進されています。このミッションでは、場所認識によるループ閉鎖は、ポーズ推定ドリフトを緩和するために不可欠です。
ただし、リアルタイムのパフォーマンスを達成することは、高密度サンプリングの計算負担により、リソース制約のあるモバイルロボットとマルチロボットシステムにとって困難なままであり、成長するMAPデータベースとクエリサンプルを比較および検証する複雑さを高めます。
従来の方法は、特定のサンプリング間隔に依存したり、記述子機能空間ではなく3Dスペースで動作することにより、冗長な情報を保持したり、重要なデータを見逃したりすることがよくあります。
これらの課題に対処するために、サンプルスペースの概念を紹介し、LIDARベースの場所認識のための新しいキーフレームサンプリングアプローチを提案します。
私たちの方法は、高次元の記述子空間に重要な情報を保存しながら、学習ベースと手作りの記述子の両方をサポートしながら、冗長性を最小限に抑えます。
提案されたアプローチには、スライド式ウィンドウの最適化戦略が組み込まれており、効率的なキーフレームの選択とリアルタイムのパフォーマンスを確保し、ロボットパイプラインへのシームレスな統合を可能にします。
要するに、私たちのアプローチは、パラメーターチューニングなしで屋内から屋外シナリオから屋外へのシナリオから屋外へのシナリオからシームレスに適応する機能を備えた、多様なデータセット全体で堅牢なパフォーマンスを示し、ループ閉鎖検出時間とメモリ要件を削減します。

要約(オリジナル)

Recent advances in robotics are driving real-world autonomy for long-term and large-scale missions, where loop closures via place recognition are vital for mitigating pose estimation drift. However, achieving real-time performance remains challenging for resource-constrained mobile robots and multi-robot systems due to the computational burden of high-density sampling, which increases the complexity of comparing and verifying query samples against a growing map database. Conventional methods often retain redundant information or miss critical data by relying on fixed sampling intervals or operating in 3-D space instead of the descriptor feature space. To address these challenges, we introduce the concept of sample space and propose a novel keyframe sampling approach for LiDAR-based place recognition. Our method minimizes redundancy while preserving essential information in the hyper-dimensional descriptor space, supporting both learning-based and handcrafted descriptors. The proposed approach incorporates a sliding window optimization strategy to ensure efficient keyframe selection and real-time performance, enabling seamless integration into robotic pipelines. In sum, our approach demonstrates robust performance across diverse datasets, with the ability to adapt seamlessly from indoor to outdoor scenarios without parameter tuning, reducing loop closure detection times and memory requirements.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google