Self-Supervised Depth Correction of Lidar Measurements from Map Consistency Loss

要約

奥行き知覚は、3D マッピングやさまざまなロボット工学アプリケーションのコンテキストにおいて、非常に貴重な情報源と見なされています。
ただし、コンシューマ レベルの光検出および測距センサー (LIDAR) を使用して取得した点群マップは、ビームから表面への入射角、距離、テクスチャ、反射率、または照明条件の測定など、局所的な表面特性に関連するバイアスに依然として悩まされています。
この事実は、最近、幾何学的およびマップの一貫性の詳細を維持しながら、前述の深度センサー エラーを抑制するために、従来のフィルターとディープ ラーニング パラダイムを利用する研究者を動機付けました。
努力にもかかわらず、主にグラウンド トゥルースとして使用できるクリーンな 3D データが不足しているため、LIDAR 測定値の深度補正は依然として未解決の課題です。
このホワイト ペーパーでは、2 つの新しいポイント クラウド マップの整合性損失を紹介します。これにより、LIDAR 深度補正モデルの実際のデータに対する自己教師あり学習が容易になります。
具体的には、モデルは、構築されたマップの一貫性信号に基づいてバイアスを減らすことを学習するために、異なる視点からの同じシーンの複数の点群測定値を利用します。
測定値からのバイアスの除去を補完するものとして、深さ補正モデルがローカリゼーション ドリフトの低減に役立つことを示します。
さらに、正確なローカリゼーションとグラウンド トゥルース マッピング情報を含む、屋内コリドー環境でキャプチャされたポイント クラウド データを含むデータ セットをリリースします。

要約(オリジナル)

Depth perception is considered an invaluable source of information in the context of 3D mapping and various robotics applications. However, point cloud maps acquired using consumer-level light detection and ranging sensors (lidars) still suffer from bias related to local surface properties such as measuring beam-to-surface incidence angle, distance, texture, reflectance, or illumination conditions. This fact has recently motivated researchers to exploit traditional filters, as well as the deep learning paradigm, in order to suppress the aforementioned depth sensors error while preserving geometric and map consistency details. Despite the effort, depth correction of lidar measurements is still an open challenge mainly due to the lack of clean 3D data that could be used as ground truth. In this paper, we introduce two novel point cloud map consistency losses, which facilitate self-supervised learning on real data of lidar depth correction models. Specifically, the models exploit multiple point cloud measurements of the same scene from different view-points in order to learn to reduce the bias based on the constructed map consistency signal. Complementary to the removal of the bias from the measurements, we demonstrate that the depth correction models help to reduce localization drift. Additionally, we release a data set that contains point cloud data captured in an indoor corridor environment with precise localization and ground truth mapping information.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google