LEMON-Mapping: Loop-Enhanced Large-Scale Multi-Session Point Cloud Merging and Optimization for Globally Consistent Mapping

要約

ロボット工学の急速な発展に伴い、マルチロボットのコラボレーションは重要で挑戦的になりました。
重要な問題の1つは、複数のロボットからのデータを統合して、堅牢な協力と正確なローカリゼーションのためのグローバルに一貫した正確なマップを構築することです。
従来のマルチロボットポーズグラフ最適化（PGO）は基本的なグローバルな一貫性を維持していますが、主にポーズ最適化に焦点を当て、マップの幾何学的構造を無視します。
さらに、PGOは2つのノード間の制約としてループクロージャーのみを使用し、マルチロボットマップの局所的な一貫性を維持する能力を完全に活用できません。
したがって、PGOベースのマルチロボットマッピング方法は、特にサブマップが重複する地域では、深刻な地図の発散とぼやけに苦しむことがよくあります。
この問題に対処するために、レモンマッピング、大規模なマルチセッションポイントクラウドマップの融合と最適化のループ強化フレームワークを提案します。これは、ループクロージャーを合理的に利用し、マップの幾何学的品質を向上させます。
マルチロボットマッピングのループの役割を再検討し、3つの重要なイノベーションを導入します。
まず、外れ値を効果的に拒否する堅牢なループ処理メカニズムと、誤って削除されたループを回復するための新しいループリコール戦略を開発します。
第二に、重複する領域の発散を大幅に減らし、マップぼかしを排除するマルチロボットマップの空間バンドル調整方法を導入します。
第三に、バンドル調整の洗練された制約を活用して、ローカルの精度をグローバルマップに拡張するPGO戦略を設計します。
いくつかのパブリックデータセットと自己収集データセットでフレームワークを検証します。
実験結果は、私たちの方法が、マッピングの精度とマップの発散の削減のマッピングの観点から、従来のマップのマージアプローチよりも優れていることを示しています。
スケーラビリティ実験は、多数のロボットを含むシナリオを処理するフレームワークの強力な能力も示しています。

要約(オリジナル)

With the rapid development of robotics, multi-robot collaboration has become critical and challenging. One key problem is integrating data from multiple robots to build a globally consistent and accurate map for robust cooperation and precise localization. While traditional multi-robot pose graph optimization (PGO) maintains basic global consistency, it focuses primarily on pose optimization and ignores the geometric structure of the map. Moreover, PGO only uses loop closure as a constraint between two nodes, failing to fully exploit its capability to maintaining local consistency of multi-robot maps. Therefore, PGO-based multi-robot mapping methods often suffer from serious map divergence and blur, especially in regions with overlapping submaps. To address this issue, we propose Lemon-Mapping, a loop-enhanced framework for large-scale multi-session point cloud map fusion and optimization, which reasonably utilizes loop closure and improves the geometric quality of the map. We re-examine the role of loops for multi-robot mapping and introduce three key innovations. First, we develop a robust loop processing mechanism that effectively rejects outliers and a novel loop recall strategy to recover mistakenly removed loops. Second, we introduce a spatial bundle adjustment method for multi-robot maps that significantly reduces the divergence in overlapping regions and eliminates map blur. Third, we design a PGO strategy that leverages the refined constraints of bundle adjustment to extend the local accuracy to the global map. We validate our framework on several public datasets and a self-collected dataset. Experimental results demonstrate that our method outperforms traditional map merging approaches in terms of mapping accuracy and reduction of map divergence. Scalability experiments also demonstrate the strong capability of our framework to handle scenarios involving numerous robots.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google