Robust Self-Tuning Data Association for Geo-Referencing Using Lane Markings

要約

航空画像ベースの地図でのローカリゼーションには、グローバルな一貫性、地理参照された地図、公的にアクセス可能なデータの可用性など、多くの利点があります。
ただし、航空写真と搭載センサーの両方から観察できるランドマークは限られています。
これにより、データの関連付け中にあいまいさやエイリアシングが発生します。
（効率的なデータの関連付けを可能にする）非常に有益な表現に基づいて、このペーパーでは、これらのあいまいさを解決するための完全なパイプラインを示します。
そのコアは、測定のエントロピーに応じて検索領域を適応させる堅牢なセルフチューニングデータの関連付けです。
さらに、最終結果を平滑化するために、データ関連付けプロセスによって生成された相対変換の関数として、関連付けられたデータの情報マトリックスを調整します。
ドイツのカールスルーエ市周辺の都市と地方のシナリオからの実際のデータに基づいて、私たちの方法を評価します。
最先端の外れ値緩和方法をセルフチューニングアプローチと比較し、特に郊外のシナリオで大幅な改善が見られることを示しています。

要約(オリジナル)

Localization in aerial imagery-based maps offers many advantages, such as global consistency, geo-referenced maps, and the availability of publicly accessible data. However, the landmarks that can be observed from both aerial imagery and on-board sensors is limited. This leads to ambiguities or aliasing during the data association. Building upon a highly informative representation (that allows efficient data association), this paper presents a complete pipeline for resolving these ambiguities. Its core is a robust self-tuning data association that adapts the search area depending on the entropy of the measurements. Additionally, to smooth the final result, we adjust the information matrix for the associated data as a function of the relative transform produced by the data association process. We evaluate our method on real data from urban and rural scenarios around the city of Karlsruhe in Germany. We compare state-of-the-art outlier mitigation methods with our self-tuning approach, demonstrating a considerable improvement, especially for outer-urban scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google