Ephemerality meets LiDAR-based Lifelong Mapping

要約

生涯マッピングは、動的環境でのロボットの長期的な展開に不可欠です。
このペーパーでは、複数のセッションデータをシームレスに整列させ、動的オブジェクトを削除し、エンドツーエンドのファッションでマップを更新できるエフェミラリティベースのLidarベースのLifelongマッピングフレームワークであるEliteを紹介します。
マップ要素は通常、静的または動的に分類されますが、駐車中の車のようなケースは、バイナリよりも詳細なカテゴリの必要性を示しています。
私たちのアプローチの中心は、世界の2段階の$ \ textit {ephemerality} $への確率的モデリングです。これは、2つの異なる時間スケール内のマップ内のポイントの一時性を表しています。
短命でエンコードされた時空のコンテキストを活用することにより、エリートは一時的なマップ要素を正確に推測し、信頼できる最新の静的マップを維持し、より微調整された方法で新しいデータを調整する際の堅牢性を向上させることができます。
長期データセットでの広範な実世界の実験は、システムの堅牢性と有効性を示しています。
ソースコードは、ロボットコミュニティhttps：//github.com/dongjae0107/eliteで公開されています。

要約(オリジナル)

Lifelong mapping is crucial for the long-term deployment of robots in dynamic environments. In this paper, we present ELite, an ephemerality-aided LiDAR-based lifelong mapping framework which can seamlessly align multiple session data, remove dynamic objects, and update maps in an end-to-end fashion. Map elements are typically classified as static or dynamic, but cases like parked cars indicate the need for more detailed categories than binary. Central to our approach is the probabilistic modeling of the world into two-stage $\textit{ephemerality}$, which represent the transiency of points in the map within two different time scales. By leveraging the spatiotemporal context encoded in ephemeralities, ELite can accurately infer transient map elements, maintain a reliable up-to-date static map, and improve robustness in aligning the new data in a more fine-grained manner. Extensive real-world experiments on long-term datasets demonstrate the robustness and effectiveness of our system. The source code is publicly available for the robotics community: https://github.com/dongjae0107/ELite.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google