SLIM: Scalable and Lightweight LiDAR Mapping in Urban Environments

要約

Lidar Pointクラウドマップは、一貫性が高いため、ロボットナビゲーションのために道路で広く利用されています。
ただし、密集したポイントクラウドは、メモリの高い摂取の課題に直面し、長期運用の保守性が低下します。
この研究では、都市環境での長期的なライダーマッピングのためのスケーラブルで軽量マッピングシステムであるSlimを紹介します。
システムは、構造ポイント雲を線と平面にパラメーター化することから始まります。
これらの軽量で構造的な表現は、マップのマージ、グラフの最適化、およびバンドル調整の要件を満たしており、増分管理と局所的な一貫性を確保します。
長期操作の場合、マップ中心の非線形因子回復法は、マッピングの精度を維持しながらポーズをまとめるように設計されています。
Kitti、NCLT、HELIPR、M2DGRを含む古典的なLIDARマッピングデータセットからのマルチセッションリアルワールドLIDARデータを使用して、スリムシステムを検証します。
この実験は、マッピングの精度、軽量性、およびスケーラビリティの能力を示しています。
マップの再利用は、マップベースのロボットローカリゼーションを通じて検証されます。
最後に、マルチセッションLIDARデータを使用すると、スリムシステムは、メモリ消費量が少ない（キッティで〜130 kb/km）、グローバルに一貫したマップを提供します。

要約(オリジナル)

LiDAR point cloud maps are extensively utilized on roads for robot navigation due to their high consistency. However, dense point clouds face challenges of high memory consumption and reduced maintainability for long-term operations. In this study, we introduce SLIM, a scalable and lightweight mapping system for long-term LiDAR mapping in urban environments. The system begins by parameterizing structural point clouds into lines and planes. These lightweight and structural representations meet the requirements of map merging, pose graph optimization, and bundle adjustment, ensuring incremental management and local consistency. For long-term operations, a map-centric nonlinear factor recovery method is designed to sparsify poses while preserving mapping accuracy. We validate the SLIM system with multi-session real-world LiDAR data from classical LiDAR mapping datasets, including KITTI, NCLT, HeLiPR and M2DGR. The experiments demonstrate its capabilities in mapping accuracy, lightweightness, and scalability. Map re-use is also verified through map-based robot localization. Finally, with multi-session LiDAR data, the SLIM system provides a globally consistent map with low memory consumption (~130 KB/km on KITTI).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google