Ephemerality meets LiDAR-based Lifelong Mapping

要約

生涯マッピングは、動的環境におけるロボットの長期的な展開に不可欠である。本論文では、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、エンドツーエンドで地図を更新することができる、エフェメラリティ支援LiDARベースの生涯マッピングフレームワークであるELiteを紹介する。地図要素は通常、静的か動的かに分類されるが、駐車中の車のようなケースでは、二項対立よりも詳細な分類が必要であることを示している。我々のアプローチの中心は、世界を2段階の$textit{ephemerality}$に確率的にモデル化することである。エフェマリティに符号化された時空間コンテキストを活用することで、ELiteは過渡的なマップ要素を正確に推測し、信頼性の高い最新の静的マップを維持し、新しいデータをよりきめ細かく整列させる際の頑健性を向上させることができる。長期間のデータセットを用いた広範な実世界実験により、本システムの頑健性と有効性が実証された。ソースコードはロボット工学コミュニティ向けに公開されている: https://github.com/dongjae0107/ELite.

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, DeepL