REGRACE: A Robust and Efficient Graph-based Re-localization Algorithm using Consistency Evaluation

要約

ループ閉鎖は、特に大規模なナビゲーションのコンテキストで、臭気測定のドリフトを修正し、一貫したマップを作成するために不可欠です。
正確な場所認識のために密な点雲を使用する現在の方法は、計算上の高価なスキャンとスキャンの比較のために十分にスケーリングしません。
代替のオブジェクト中心のアプローチはより効率的ですが、多くの場合、視点の変動に対する感度に苦しんでいます。
この作業では、LiDARベースのサブマップを使用して、再ローカリゼーションのスケーラビリティと視点の違いのこれらの課題に対処する新しいアプローチであるRegraceを紹介します。
ラベル付きオブジェクトごとに回転不変の機能を導入し、グラフニューラルネットワークを介して近隣コンテキストでそれらを強化します。
潜在的な再訪を特定するために、スケーラブルなワードバッグアプローチを採用し、サブマップごとに学習したグローバル機能をプールします。
さらに、距離を埋め込むのではなく、幾何学的な一貫性の手がかりで再訪を定義し、遠く離れたループ閉鎖を認識できるようにします。
私たちの評価は、Regraceが最先端の場所認識と登録ベースラインと比較して同様の結果を達成し、2倍速いことを示しています。

要約(オリジナル)

Loop closures are essential for correcting odometry drift and creating consistent maps, especially in the context of large-scale navigation. Current methods using dense point clouds for accurate place recognition do not scale well due to computationally expensive scan-to-scan comparisons. Alternative object-centric approaches are more efficient but often struggle with sensitivity to viewpoint variation. In this work, we introduce REGRACE, a novel approach that addresses these challenges of scalability and perspective difference in re-localization by using LiDAR-based submaps. We introduce rotation-invariant features for each labeled object and enhance them with neighborhood context through a graph neural network. To identify potential revisits, we employ a scalable bag-of-words approach, pooling one learned global feature per submap. Additionally, we define a revisit with geometrical consistency cues rather than embedding distance, allowing us to recognize far-away loop closures. Our evaluations demonstrate that REGRACE achieves similar results compared to state-of-the-art place recognition and registration baselines while being twice as fast.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google