Maximum Consensus Localization using an Objective Function based on Helmert’s Point Error

要約

自我の位置特定は、自動運転車にとって重要なタスクです。
一方では非常に正確である必要があり、他方では困難な環境でも信頼できるポーズ (位置と方向) 情報を提供するために非常に堅牢である必要があります。
最適な自我の位置を見つけることは、通常、センサーの測定値に基づいて目的関数を最適化することと結びついています。
最も一般的なアプローチは、尤度を最大化することです。これは、正規分布確率変数の仮定の下で、再帰的推定と組み合わせてよく使用される、よく知られた最小二乗最小化につながります。
g.
カルマン フィルターを使用します。
ただし、最小二乗最小化は本質的に外れ値の影響を受けやすいため、L1 ノルムやフーバー損失などのより堅牢な損失関数が提案されています。
おそらく最もロバストな損失関数は、最大コンセンサス最適化としても知られる外れ値カウントであり、結果は外れ値の大きさに依存しません。
この論文では、LiDAR データに基づく最大コンセンサス ローカリゼーションのパフォーマンスを詳細に調査します。
その欠点について詳しく説明し、ヘルマートの点誤差に基づく新しい目的関数を提案します。
3001 回の測定エポックを使用した実験では、導入された目的関数に基づく最大コンセンサス ローカリゼーションが、ロバスト性に関して優れた結果を提供することを示しています。

要約(オリジナル)

Ego-localization is a crucial task for autonomous vehicles. On the one hand, it needs to be very accurate, and on the other hand, very robust to provide reliable pose (position and orientation) information, even in challenging environments. Finding the best ego-position is usually tied to optimizing an objective function based on the sensor measurements. The most common approach is to maximize the likelihood, which leads under the assumption of normally distributed random variables to the well-known least squares minimization, often used in conjunction with recursive estimation, e. g. using a Kalman filter. However, least squares minimization is inherently sensitive to outliers, and consequently, more robust loss functions, such as L1 norm or Huber loss have been proposed. Arguably the most robust loss function is the outlier count, also known as maximum consensus optimization, where the outcome is independent of the outlier magnitude. In this paper, we investigate in detail the performance of maximum consensus localization based on LiDAR data. We elaborate on its shortcomings and propose a novel objective function based on Helmert’s point error. In an experiment using 3001 measurement epochs, we show that the maximum consensus localization based on the introduced objective function provides superior results with respect to robustness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google