Enhancing Lidar Point Cloud Sampling via Colorization and Super-Resolution of Lidar Imagery

要約

LIDARテクノロジーの最近の進歩により、各ピクセル内の深さ、反射率、または近赤外光をエンコードすることにより、360度、低解像度の画像の生成が改善されました。
これらの画像により、カメラからLGB画像用に開発されたディープラーニング（DL）アプローチの適用が可能になり、Lidar-Cameraのキャリブレーションなどの他の努力を排除できます。
従来のRGB画像と比較して、LIDAR画像は、低光や霧のような天候などの不利な環境条件でより大きな堅牢性を示しています。
さらに、イメージング機能は、長い廊下など、ポイントクラウドの幾何学的情報が分解される可能性がある環境の課題に対処し、密なポイント雲が誤解を招く可能性があり、潜在的にドリフトエラーにつながる可能性があります。
したがって、このペーパーでは、Lidar画像のDLベースの色素化と超解像度技術を活用して、Lidar Point Cloudsから信頼できるサンプルを抽出して臭気測定推定を抽出する新しいフレームワークを提案します。
追加情報が濃縮された拡張されたLidar画像は、Keypoint検出の改善を容易にします。これは、より効果的なポイントクラウドダウンサンプリングのために採用されます。
提案された方法は、ポイントクラウド登録の精度を高め、不十分な幾何情報情報または誤解を招く余分なポイントから生じる不一致を軽減します。
実験結果は、私たちのアプローチが以前の方法を上回り、より少ないポイントを使用しながらより低い翻訳エラーと回転エラーを達成することを示しています。

要約(オリジナル)

Recent advancements in lidar technology have led to improved point cloud resolution as well as the generation of 360 degrees, low-resolution images by encoding depth, reflectivity, or near-infrared light within each pixel. These images enable the application of deep learning (DL) approaches, originally developed for RGB images from cameras to lidar-only systems, eliminating other efforts, such as lidar-camera calibration. Compared with conventional RGB images, lidar imagery demonstrates greater robustness in adverse environmental conditions, such as low light and foggy weather. Moreover, the imaging capability addresses the challenges in environments where the geometric information in point clouds may be degraded, such as long corridors, and dense point clouds may be misleading, potentially leading to drift errors. Therefore, this paper proposes a novel framework that leverages DL-based colorization and super-resolution techniques on lidar imagery to extract reliable samples from lidar point clouds for odometry estimation. The enhanced lidar images, enriched with additional information, facilitate improved keypoint detection, which is subsequently employed for more effective point cloud downsampling. The proposed method enhances point cloud registration accuracy and mitigates mismatches arising from insufficient geometric information or misleading extra points. Experimental results indicate that our approach surpasses previous methods, achieving lower translation and rotation errors while using fewer points.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google