Optimized SC-F-LOAM: Optimized Fast LiDAR Odometry and Mapping Using Scan Context

要約

LiDAR オドメトリは、走行距離が短い場合や小規模な環境では正確な車両姿勢推定を実現できますが、走行距離が長い場合や大規模な環境では、推定誤差の累積により精度が低下します。
この欠点により、累積エラーの悪影響を抑えるために、SLAM フレームワークにループ クロージャ検出を含める必要があります。
姿勢推定の精度を向上させるために、F-LOAM を LiDAR オドメトリとして使用し、スキャン コンテキストをループ クロージャ検出に使用し、GTSAM をグローバル最適化に使用する新しい LiDAR ベースの SLAM メソッドを提案します。
私たちのアプローチでは、ループ クロージャ検出に (固定しきい値の代わりに) 適応距離しきい値が採用され、より正確なループ クロージャ検出結果が得られます。
さらに、LiDAR センサーによって取得された生のポイント クラウドを使用する代わりに、ループ クロージャー ポイント クラウド ペア間の車両姿勢変換を計算するアプローチで、特徴ベースのマッチング方法が使用されます。これにより、計算時間が大幅に短縮されます。
KITTI データセットは、私たちの方法の検証に使用され、実験結果は、提案された方法が文献の典型的な LiDAR オドメトリ/SLAM 方法よりも優れていることを示しています。
私たちのコードは、コミュニティの利益のために公開されています。

要約(オリジナル)

LiDAR odometry can achieve accurate vehicle pose estimation for short driving range or in small-scale environments, but for long driving range or in large-scale environments, the accuracy deteriorates as a result of cumulative estimation errors. This drawback necessitates the inclusion of loop closure detection in a SLAM framework to suppress the adverse effects of cumulative errors. To improve the accuracy of pose estimation, we propose a new LiDAR-based SLAM method which uses F-LOAM as LiDAR odometry, Scan Context for loop closure detection, and GTSAM for global optimization. In our approach, an adaptive distance threshold (instead of a fixed threshold) is employed for loop closure detection, which achieves more accurate loop closure detection results. Besides, a feature-based matching method is used in our approach to compute vehicle pose transformations between loop closure point cloud pairs, instead of using the raw point cloud obtained by the LiDAR sensor, which significantly reduces the computation time. The KITTI dataset is used for verifications of our method, and the experimental results demonstrate that the proposed method outperforms typical LiDAR odometry/SLAM methods in the literature. Our code is made publicly available for the benefit of the community.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google