AC-LIO: Towards Asymptotic Compensation for Distortion in LiDAR-Inertial Odometry via Selective Intra-Frame Smoothing

要約

既存のLidar-inertial Odometry（LIO）メソッドは、通常、Lidarフレーム内のモーション歪みを補うためにIMU統合から導出された以前の軌道を利用します。
ただし、以前の軌道と真の軌跡の矛盾は、リダーフレームの対応する幾何学的環境との一貫性を損なう残留運動の歪みにつながる可能性があります。
この不均衡により、PointCloud登録はローカルオプティマに閉じ込められ、それにより、長期および大規模なローカリゼーション中にドリフトを悪化させる可能性があります。
この目的のために、AC-LIOと呼ばれる選択的なフレーム内スムージングを備えた新しいLIOフレームワークを提案します。
私たちの中核的なアイデアは、現在の更新期間を漸近的に逆流させ、収束基準のガイダンスに基づく残留運動の歪みを補償することです。
広範な実験は、AC-Lioフレームワークが以前の芸術と比較して臭気測定の精度をさらに高めることを示しており、2番目の最良の結果よりも平均RMSEが約30.4％減少し、長期および大規模な局在化とマッピングの精度の著しい改善につながることが示されています。

要約(オリジナル)

Existing LiDAR-Inertial Odometry (LIO) methods typically utilize the prior trajectory derived from the IMU integration to compensate for the motion distortion within LiDAR frames. However, discrepancies between the prior and true trajectory can lead to residual motion distortions that compromise the consistency of LiDAR frame with its corresponding geometric environment. This imbalance may result in pointcloud registration becoming trapped in local optima, thereby exacerbating drift during long-term and large-scale localization. To this end, we propose a novel LIO framework with selective intra-frame smoothing dubbed AC-LIO. Our core idea is to asymptotically backpropagate current update term and compensate for residual motion distortion under the guidance of convergence criteria, aiming to improve the accuracy of discrete-state LIO system with minimal computational increase. Extensive experiments demonstrate that our AC-LIO framework further enhances odometry accuracy compared to prior arts, with about 30.4% reduction in average RMSE over the second best result, leading to marked improvements in the accuracy of long-term and large-scale localization and mapping.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google