MDF: Multi-Modal Data Fusion with CNN-Based Object Detection for Enhanced Indoor Localization Using LiDAR-SLAM

要約

屋内のローカリゼーションは、特にGPSが奪われた環境で、高精度を達成する上で永続的な課題に直面しています。
この研究では、2D LIDARとIMUセンサーを統合する最先端のハンドヘルド屋内ローカリゼーションシステムを発表し、強化された高速精度マッピング、計算効率、およびリアルタイムの適応性を提供します。
3D LIDARシステムとは異なり、迅速な処理、低コストのスケーラビリティ、堅牢なパフォーマンスで優れており、緊急対応、自律ナビゲーション、産業自動化の新しい基準を設定します。
CNN駆動型のオブジェクト検出フレームワークで強化され、ROSの地図製作者Slam（同時ローカリゼーションとマッピング）を通じて最適化されたこのシステムは、絶対軌道エラー（ATE）を21.03％削減し、SC-Aloamのような最先端のアプローチと比較して、1.884メンバーの平均Xポジションエラーと比較して並外れた精度を達成します。
CNNベースのオブジェクト検出の統合により、マッピングとローカリゼーションにおける堅牢性が保証され、散らかった環境や動的環境でも、既存の方法を26.09％上回ります。
これらの進歩は、挑戦的な屋内シナリオにおける高精度のローカリゼーションのための信頼できるスケーラブルなソリューションとしてシステムを確立します

要約(オリジナル)

Indoor localization faces persistent challenges in achieving high accuracy, particularly in GPS-deprived environments. This study unveils a cutting-edge handheld indoor localization system that integrates 2D LiDAR and IMU sensors, delivering enhanced high-velocity precision mapping, computational efficiency, and real-time adaptability. Unlike 3D LiDAR systems, it excels with rapid processing, low-cost scalability, and robust performance, setting new standards for emergency response, autonomous navigation, and industrial automation. Enhanced with a CNN-driven object detection framework and optimized through Cartographer SLAM (simultaneous localization and mapping ) in ROS, the system significantly reduces Absolute Trajectory Error (ATE) by 21.03%, achieving exceptional precision compared to state-of-the-art approaches like SC-ALOAM, with a mean x-position error of -0.884 meters (1.976 meters). The integration of CNN-based object detection ensures robustness in mapping and localization, even in cluttered or dynamic environments, outperforming existing methods by 26.09%. These advancements establish the system as a reliable, scalable solution for high-precision localization in challenging indoor scenarios

arxiv情報

提供元, 利用サービス

arxiv.jp, Google