SGBA: Semantic Gaussian Mixture Model-Based LiDAR Bundle Adjustment

要約

LiDARバンドル調整（BA）は、フロントエンドからの姿勢推定におけるドリフトを低減するための効果的なアプローチです。LiDAR BAに関する既存の研究は通常、ランドマーク表現のために事前に定義された幾何学的特徴に依存しています。この依存は、これらの特定の特徴が存在しない環境ではシステムが必然的に劣化するため、汎用性を制限する。この問題に対処するため、我々はSGBAを提案する。SGBAは、あらかじめ定義された特徴タイプを持たない意味的ガウス混合モデル（GMM）として環境をモデル化するLiDAR BA方式である。このアプローチは、幾何学的情報と意味的情報の両方をエンコードし、様々な環境に適応可能な包括的かつ一般的な表現を提供します。さらに、汎用性を確保しつつ計算量を制限するために、コスト関数の条件数を評価することにより、最適化のために最も情報量の多い意味クラスタを選択する適応的意味選択フレームワークを提案する。最後に、割り当ての確率密度全体を考慮する確率論的特徴関連付けスキームを導入することで、計測や初期姿勢推定における不確実性を管理することができる。我々は様々な実験を行い、その結果、SGBAが、低品質な初期ポーズ推定や限られた幾何学的特徴を持つ困難なシナリオにおいても、正確で頑健なポーズ精密化を達成できることを実証した。我々は、コミュニティ（https://github.com/Ji1Xinyu/SGBA）の利益のために、この研究をオープンソース化する予定である。

要約(オリジナル)

LiDAR bundle adjustment (BA) is an effective approach to reduce the drifts in pose estimation from the front-end. Existing works on LiDAR BA usually rely on predefined geometric features for landmark representation. This reliance restricts generalizability, as the system will inevitably deteriorate in environments where these specific features are absent. To address this issue, we propose SGBA, a LiDAR BA scheme that models the environment as a semantic Gaussian mixture model (GMM) without predefined feature types. This approach encodes both geometric and semantic information, offering a comprehensive and general representation adaptable to various environments. Additionally, to limit computational complexity while ensuring generalizability, we propose an adaptive semantic selection framework that selects the most informative semantic clusters for optimization by evaluating the condition number of the cost function. Lastly, we introduce a probabilistic feature association scheme that considers the entire probability density of assignments, which can manage uncertainties in measurement and initial pose estimation. We have conducted various experiments and the results demonstrate that SGBA can achieve accurate and robust pose refinement even in challenging scenarios with low-quality initial pose estimation and limited geometric features. We plan to open-source the work for the benefit of the community https://github.com/Ji1Xinyu/SGBA.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL