RE-TRIP : Reflectivity Instance Augmented Triangle Descriptor for 3D Place Recognition

要約

ほとんどの人は、主に距離を測定し、環境に関する幾何学的な情報を提供する能力と（ポイントクラウドを介して）リダーを関連付けていますが、Lidarは反射率や強度値を含む追加データもキャプチャします。
残念ながら、Lidarがモバイルロボット工学に認識（PR）を配置するために適用されると、LIDARベースのPRに関する以前の作業のほとんどは、LiDARが提供する追加の反射率情報を無視して幾何学的測定にのみ依存しています。
このホワイトペーパーでは、3D PRの新しい記述子を提案します。これは、再訓練（反射率インスト拡張トライアングル記述子）という名前です。
この新しい記述子は、幾何学的測定と反射率の両方を活用して、幾何学的縮退、高い幾何学的類似性、動的オブジェクトの存在などの挑戦的なシナリオの堅牢性を高めます。
実際のアプリケーションで再訓練するために、（1）キーポイント抽出方法、（2）重要なインスタンスセグメンテーション方法、（3）一致方法の再訓練方法、および（4）反射性結合ループ検証方法をさらに提案します。
最後に、一連の実験を実施して、再訓練の有効性を実証します。
長い廊下、橋、大規模な都市部、非常に動的な環境などの多様なシナリオを含むパブリックデータセット（つまり、HELIPR、FusionPortable）に適用されると、実験結果は、提案された方法がスキャンコンテキスト、強度のスカンコンテキスト、およびSTDの観点から既存の最先端の方法を上回ることを示しています。

要約(オリジナル)

While most people associate LiDAR primarily with its ability to measure distances and provide geometric information about the environment (via point clouds), LiDAR also captures additional data, including reflectivity or intensity values. Unfortunately, when LiDAR is applied to Place Recognition (PR) in mobile robotics, most previous works on LiDAR-based PR rely only on geometric measurements, neglecting the additional reflectivity information that LiDAR provides. In this paper, we propose a novel descriptor for 3D PR, named RE-TRIP (REflectivity-instance augmented TRIangle descriPtor). This new descriptor leverages both geometric measurements and reflectivity to enhance robustness in challenging scenarios such as geometric degeneracy, high geometric similarity, and the presence of dynamic objects. To implement RE-TRIP in real-world applications, we further propose (1) a keypoint extraction method, (2) a key instance segmentation method, (3) a RE-TRIP matching method, and (4) a reflectivity-combined loop verification method. Finally, we conduct a series of experiments to demonstrate the effectiveness of RE-TRIP. Applied to public datasets (i.e., HELIPR, FusionPortable) containing diverse scenarios such as long corridors, bridges, large-scale urban areas, and highly dynamic environments — our experimental results show that the proposed method outperforms existing state-of-the-art methods in terms of Scan Context, Intensity Scan Context, and STD.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google