AC-LIO: Towards Asymptotic and Consistent Convergence in LiDAR-Inertial Odometry

要約

既存のLidar-inertial Odometry（LIO）メソッドは、通常、Lidarフレーム内のモーション歪みを補うためにIMU統合から派生した以前の状態軌道を利用します。
ただし、以前の軌道と実際の軌道の間の矛盾は、リダーフレームの対応する幾何学的環境との一貫性を損なう残留歪みにつながる可能性があります。
この不均衡により、PointCloud登録はローカルオプティマに閉じ込められ、それにより、長期および大規模なローカリゼーション中にドリフトを悪化させる可能性があります。
この問題に対処するために、AC-LIOと呼ばれるLIOフレームワークを漸近的かつ一貫して収束させる新しいものを提案します。
私たちの重要なアイデアは、以前の状態チェーンに基づいて現在の更新期間を伝播し、反復中の残留歪みを漸近的に補償することです。
さらに、以前の誤差と電流歪みの間の弱い相関関係を考慮して、バックプロパゲーションを調節するためのPointCloud制約に基づいて収束基準を確立します。
収束基準を使用した漸近歪み補正を導くこの方法は、PointCloud登録の一貫した収束を微妙に強化し、LIOシステムの精度と堅牢性を改善することを未来的にします。
広範な実験は、AC-Lioフレームワークが以前の芸術と比較して州の推定における一貫した収束を著しく促進し、2番目の最高の結果よりも平均RMSEが約30.4％減少し、長期および大規模な局在とマッピングの精度の著しい改善をもたらすことを示しています。

要約(オリジナル)

Existing LiDAR-Inertial Odometry (LIO) methods typically utilize the prior state trajectory derived from the IMU integration to compensate for the motion distortion within LiDAR frames. However, discrepancies between the prior and actual trajectory can lead to residual distortions that compromise the consistency of the LiDAR frame with its corresponding geometric environment. This imbalance may result in pointcloud registration becoming trapped in local optima, thereby exacerbating drift during long-term and large-scale localization. To address the issue, we propose a novel asymptotically and consistently converging LIO framework dubbed AC-LIO. Our key idea is to back propagate current update term based on the prior state chain, and asymptotically compensate for the residual distortion during iteration. Moreover, considering the weak correlation between previous error and current distortion, we establish convergence criteria based on the pointcloud constraints to regulate the backpropagation. This method of guiding asymptotic distortion compensation using convergence criteria subtly enhances the consistent convergence of pointcloud registration, futher improving the accuracy and robustness of LIO system. Extensive experiments demonstrate that our AC-LIO framework significantly promotes consistent convergence in state estimation compared to prior arts, with about 30.4% reduction in average RMSE over the second best result, leading to marked improvements in the accuracy of long-term and large-scale localization and mapping.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google