OpenLiDARMap: Zero-Drift Point Cloud Mapping using Map Priors

要約

正確なローカライゼーションは、モバイル自律システムにとって重要な要素であり、特に全地球衛星測位システム（GNSS）が使えない環境では、従来の方法ではうまくいかない。このようなシナリオでは、環境センシングが信頼性の高い操作に不可欠です。しかし、LiDARオドメトリやSLAM（Simultaneous Localization and Mapping）のようなアプローチは、特にループクロージャがない場合、長距離でのドリフトに悩まされます。地図ベースのローカライゼーションは堅牢な代替手段を提供しますが、GNSSサポートなしで地図を作成し、地理参照することに課題があります。この問題に対処するため、我々は、建物の足跡や疎な航空スキャンから得られた表面モデルなど、一般に入手可能なデータを使用して、GNSSなしで地理参照地図を作成する方法を提案する。我々のアプローチでは、これらのデータをオンボードLiDARスキャンと統合し、高密度で正確なジオリファレンス付き3D点群マップを作成する。ICP（Iterative Closest Point）スキャン間およびスキャンからマップへのマッチング戦略を組み合わせることで、長期的なドリフトに悩まされることなく、高い局所的一貫性を達成します。したがって、地理参照地図の作成におけるGNSSへの依存をなくすことができる。その結果、LiDARのみのマッピングでも、既存の地図プリオールで補強すれば、正確なジオリファレンス付き点群地図を作成できることが実証された。

要約(オリジナル)

Accurate localization is a critical component of mobile autonomous systems, especially in Global Navigation Satellite Systems (GNSS)-denied environments where traditional methods fail. In such scenarios, environmental sensing is essential for reliable operation. However, approaches such as LiDAR odometry and Simultaneous Localization and Mapping (SLAM) suffer from drift over long distances, especially in the absence of loop closures. Map-based localization offers a robust alternative, but the challenge lies in creating and georeferencing maps without GNSS support. To address this issue, we propose a method for creating georeferenced maps without GNSS by using publicly available data, such as building footprints and surface models derived from sparse aerial scans. Our approach integrates these data with onboard LiDAR scans to produce dense, accurate, georeferenced 3D point cloud maps. By combining an Iterative Closest Point (ICP) scan-to-scan and scan-to-map matching strategy, we achieve high local consistency without suffering from long-term drift. Thus, we eliminate the reliance on GNSS for the creation of georeferenced maps. The results demonstrate that LiDAR-only mapping can produce accurate georeferenced point cloud maps when augmented with existing map priors.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL