Efficient Solution to 3D-LiDAR-based Monte Carlo Localization with Fusion of Measurement Model Optimization via Importance Sampling

要約

この論文では、3D-LiDAR ベースのモンテカルロ ローカリゼーション (MCL) に対する効率的なソリューションを紹介します。
MCL は、粒子がグラウンド トゥルースの周囲で正確にサンプリングされている場合に確実に機能します。
慣性航法システム (INS) を使用して正確なサンプリングを行うことができますが、INS が使用可能であっても、3D ローカライゼーションの問題を解決するにはまだ多くの粒子を使用する必要があります。
特に、INS が利用できない場合、膨大な数の粒子が必要になり、計算コストの点で 3D MCL を実行することができなくなります。
最適化ベースのローカリゼーションであるスキャン マッチング (SM) は、最適化プロセスでロボットやデバイスの移動制約を無視できるため、INS が利用できない場合でも効率的に機能します。
ただし、SM は、動きに対して実行不可能な見積もりを決定することがあります。
MCL と SM には補完的な長所と短所があると考え、MCL と SM の融合方法を提案します。
SM は確率モデリングの観点から測定モデルの最適化と見なされるため、SM として測定モデルの最適化を実行します。
次に、最適化の結果を使用して測定モデルの分布を近似し、近似した分布を使用して粒子をサンプリングします。
サンプリングされた粒子は、重要度サンプリングを介して MCL と融合されます。
その結果、MCL と SM の利点を同時に活用しながら、それらの欠点を軽減することができます。
実験は、KITTI データセットと他の 2 つのオープン データセットで行われます。
結果は、提示されたメソッドが単一の CPU スレッドで実行され、INS が利用できない場合でも正確にローカリゼーションを実行できることを示しています。

要約(オリジナル)

This paper presents an efficient solution to 3D-LiDAR-based Monte Carlo localization (MCL). MCL robustly works if particles are exactly sampled around the ground truth. An inertial navigation system (INS) can be used for accurate sampling, but many particles are still needed to be used for solving the 3D localization problem even if INS is available. In particular, huge number of particles are necessary if INS is not available and it makes infeasible to perform 3D MCL in terms of the computational cost. Scan matching (SM), that is optimization-based localization, efficiently works even though INS is not available because SM can ignore movement constraints of a robot and/or device in its optimization process. However, SM sometimes determines an infeasible estimate against movement. We consider that MCL and SM have complemental advantages and disadvantages and propose a fusion method of MCL and SM. Because SM is considered as optimization of a measurement model in terms of the probabilistic modeling, we perform measurement model optimization as SM. The optimization result is then used to approximate the measurement model distribution and the approximated distribution is used to sample particles. The sampled particles are fused with MCL via importance sampling. As a result, the advantages of MCL and SM can be simultaneously utilized while mitigating their disadvantages. Experiments are conducted on the KITTI dataset and other two open datasets. Results show that the presented method can be run on a single CPU thread and accurately perform localization even if INS is not available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google