CTE-MLO: Continuous-time and Efficient Multi-LiDAR Odometry with Localizability-aware Point Cloud Sampling

要約

近年、LIDARベースのローカリゼーションとマッピング方法は、信頼できるリアルタイムのローカリゼーション機能のおかげで、大きな進歩を遂げています。
単一のLidar匂いを考慮すると、実際のシナリオでハードウェアの障害と縮退に直面することがよくありますが、Lidarベースのローカリゼーションとマッピングシステムのパフォーマンスを向上させるために、マルチライダー匂い（MLO）が研究されています。
ただし、MLOは、複数のLIDARから融合された高密度のポイント雲によって導入される高い計算の複雑さに苦しむ可能性があり、連続時間測定特性は既存のLidar匂いによって絶えず無視されます。
これにより、連続時間で効率的なMLO、すなわちCTE-MLOが開発されるようになります。これは、連続時間の視点を通じてマルチライダー測定を使用して正確でリアルタイムの推定を実現できます。
このホワイトペーパーでは、ガウスプロセスの推定は、カルマンフィルターと自然に組み合わされており、ポイントストリーム内の各ライダーポイントが、時間の瞬間を使用して対応する連続時間軌道を照会することができます。
分散型マルチライダー同期スキームは、プライマリライダーの割り当てなしで、個別のLIDARのポイントを単一のポイントクラウドに組み合わせるために考案されています。
さらに、堅牢性を犠牲にすることなくMLOのリアルタイムパフォーマンスを改善することを目的として、ローカライズ性を考慮してポイントクラウドサンプリング戦略が設計されています。
この目的のために、CTE-MLOは、カルマンフィルターフレームワーク内の同期、ローカル化可能性対応サンプリング、連続時間推定、およびボクセルマップ管理を統合します。
提案された方法の有効性は、パブリックデータセットや実際のアプリケーションなど、さまざまなシナリオを通じて実証されています。
このコードは、コミュニティに利益をもたらすためにhttps://github.com/shenhm516/cte-mloで入手できます。

要約(オリジナル)

In recent years, LiDAR-based localization and mapping methods have achieved significant progress thanks to their reliable and real-time localization capability. Considering single LiDAR odometry often faces hardware failures and degeneracy in practical scenarios, Multi-LiDAR Odometry (MLO), as an emerging technology, is studied to enhance the performance of LiDAR-based localization and mapping systems. However, MLO can suffer from high computational complexity introduced by dense point clouds that are fused from multiple LiDARs, and the continuous-time measurement characteristic is constantly neglected by existing LiDAR odometry. This motivates us to develop a Continuous-Time and Efficient MLO, namely CTE-MLO, which can achieve accurate and real-time estimation using multi-LiDAR measurements through a continuous-time perspective. In this paper, the Gaussian process estimation is naturally combined with the Kalman filter, which enables each LiDAR point in a point stream to query the corresponding continuous-time trajectory using its time instants. A decentralized multi-LiDAR synchronization scheme is also devised to combine points from separate LiDARs into a single point cloud without the primary LiDAR assignment. Moreover, with the aim of improving the real-time performance of MLO without sacrificing robustness, a point cloud sampling strategy is designed with the consideration of localizability. To this end, CTE-MLO integrates synchronization, localizability-aware sampling, continuous-time estimation, and voxel map management within a Kalman filter framework, which can achieve high accuracy and robust continuous-time estimation within only a few linear iterations. The effectiveness of the proposed method is demonstrated through various scenarios, including public datasets and real-world applications. The code is available at https://github.com/shenhm516/CTE-MLO to benefit the community.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google