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（トンネルや長いまっすぐな廊下など）を欠く環境は、ライダーポイント雲がそのような環境で縮退するため、Lidarベースの匂い測定アルゴリズムにとって困難です。
車輪付きロボットの場合、ホイールキネマティックモデル（つまり、ホイール匂い測定）は、臭気測定推定の信頼性を向上させることができます。
ただし、運動学的モデルは、特にこのロボットモデルが車輪を滑らせることによって回転するため、スキッドステアリングロボットの場合には、複雑な動き（たとえば、ホイールの滑り、横方向の動き）に苦しんでいます。
さらに、これらのエラーは、ホイールの滑りが大きく（ドリフト）、地形依存のパラメーターの影響を受けるときに非線形に変化します。
ポイントクラウドの変性と運動学モデルエラーに同時に取り組むために、私たちは、非線形性のあるホイールロボットの運動モデルを学習するニューラルネットワークのオンライントレーニングを組み込んだLidar-Imu-wheel odometryアルゴリズムを開発しました。
ロボット状態とともに、因子グラフでニューラルネットワークをオンラインでトレーニングすることを提案し、学習ベースの運動モデルが現在の地形状態に適応できるようにします。
提案された方法は、共同で統一因子グラフでニューラルネットワークとlidar-imu-wheel odometryのオンライントレーニングを解決し、これらすべての制約の一貫性を保持します。
実験を通じて、提案されたネットワークが変化する環境に適合し、異なる環境で正確な臭気測定の推定をもたらすことを最初に確認しました。
次に、提案された臭気測定推定アルゴリズムが、運動モデルのポイント雲の変性と非線形性（ドリフトによる大きなホイールスリッページ）に対して堅牢であることを確認しました。
要約ビデオは、https：//www.youtube.com/watch?v=cvrvhdda7cwで入手できます

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, Google