Robustness of LiDAR-Based Pose Estimation: Evaluating and Improving Odometry and Localization Under Common Point Cloud Corruptions

要約

正確で信頼できるポーズ推定、つまり、自律的なロボットと車両の正確な位置と方向を決定することは、ナビゲーションやマッピングなどのタスクにとって重要です。
Lidarは、ポーズ推定のために広く使用されているセンサーであり、臭気とローカリゼーションが2つの主要なタスクです。
Lidar Odometryは、連続したスキャン間の相対動きを推定しますが、Lidarのローカリゼーションは、リアルタイムスキャンを事前に録音したマップと並べて、グローバルなポーズを取得します。
それらは異なる目的とアプリケーションシナリオを持っていますが、どちらも根本的な手法としてポイントクラウド登録に依存しており、不利な条件（雨など）によって引き起こされるデータ腐敗の共有課題に直面しています。
最先端の（SOTA）ポーズ推定システムは、クリーンデータに対して高精度を達成しましたが、破損したデータに対する堅牢性は不明のままです。
この作業では、18の合成現実世界ポイントクラウド腐敗にわたって5つのSota Lidarポーズ推定システムを体系的に評価するフレームワークを提案します。
私たちの実験は、特定の腐敗の下で臭気測定システムが大幅に低下し、相対的な位置エラーは0.5％から80％以上増加し、ローカリゼーションシステムは非常に堅牢なままであることが明らかになりました。
さらに、除去技術がノイズ誘発性腐敗の悪影響を効果的に軽減できることを実証し、破損したデータを使用した学習ベースのシステムを再訓練することで、さまざまな腐敗タイプに対する堅牢性が大幅に向上することを実証します。

要約(オリジナル)

Accurate and reliable pose estimation, i.e., determining the precise position and orientation of autonomous robots and vehicles, is critical for tasks like navigation and mapping. LiDAR is a widely used sensor for pose estimation, with odometry and localization being two primary tasks. LiDAR odometry estimates the relative motion between consecutive scans, while LiDAR localization aligns real-time scans with a pre-recorded map to obtain a global pose. Although they have different objectives and application scenarios, both rely on point cloud registration as the underlying technique and face shared challenges of data corruption caused by adverse conditions (e.g., rain). While state-of-the-art (SOTA) pose estimation systems achieved high accuracy on clean data, their robustness to corrupted data remains unclear. In this work, we propose a framework to systematically evaluate five SOTA LiDAR pose estimation systems across 18 synthetic real-world point cloud corruptions. Our experiments reveal that odometry systems degrade significantly under specific corruptions, with relative position errors increasing from 0.5% to more than 80%, while localization systems remain highly robust. We further demonstrate that denoising techniques can effectively mitigate the adverse effects of noise-induced corruptions, and re-training learning-based systems with corrupted data significantly enhances the robustness against various corruption types.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google