Learning-based Localizability Estimation for Robust LiDAR Localization

要約

LiDAR ベースのローカライゼーションとマッピングは、範囲とジオメトリが直接統合されているため、多くの最新のロボット システムのコア コンポーネントの 1 つであり、正確なモーション推定とリアルタイムでの高品質マップの生成を可能にします。
しかし、シーンに存在する不十分な環境制約の結果として、このジオメトリへの依存は、トンネルなどの自己対称環境で発生するローカリゼーションの失敗を引き起こす可能性があります。
この作業は、ロボットの操作中に (非) ローカリゼーションを検出するためのニューラル ネットワーク ベースの推定アプローチを提案することにより、この問題に正確に対処します。
多くの LiDAR オドメトリ推定パイプラインで重要なコンポーネントであるため、スキャンからスキャンへの登録のローカライズ可能性には特別な注意が払われています。
以前のほとんどが従来の検出アプローチとは対照的に、提案された方法は、基礎となる登録の最適化を評価することなく、生のセンサー測定値のローカライズ可能性を推定することにより、障害の早期検出を可能にします。
さらに、以前のアプローチは、縮退検出しきい値のヒューリスティック チューニングが必要なため、環境やセンサーの種類全体で一般化する能力が制限されたままです。
提案されたアプローチは、さまざまな環境のコレクションから学習することでこの問題を回避し、ネットワークがさまざまなシナリオで機能できるようにします。
さらに、ネットワークはシミュレートされたデータのみに基づいてトレーニングされるため、挑戦的で退化した、しばしばアクセスが困難な環境での骨の折れるデータ収集を回避できます。
提示された方法は、困難な環境全体で実施されたフィールド実験中に、変更を加えずに 2 つの異なるセンサー タイプでテストされます。
観察された検出性能は、環境固有のしきい値調整後の最先端の方法と同等です。

要約(オリジナル)

LiDAR-based localization and mapping is one of the core components in many modern robotic systems due to the direct integration of range and geometry, allowing for precise motion estimation and generation of high quality maps in real-time. Yet, as a consequence of insufficient environmental constraints present in the scene, this dependence on geometry can result in localization failure, happening in self-symmetric surroundings such as tunnels. This work addresses precisely this issue by proposing a neural network-based estimation approach for detecting (non-)localizability during robot operation. Special attention is given to the localizability of scan-to-scan registration, as it is a crucial component in many LiDAR odometry estimation pipelines. In contrast to previous, mostly traditional detection approaches, the proposed method enables early detection of failure by estimating the localizability on raw sensor measurements without evaluating the underlying registration optimization. Moreover, previous approaches remain limited in their ability to generalize across environments and sensor types, as heuristic-tuning of degeneracy detection thresholds is required. The proposed approach avoids this problem by learning from a collection of different environments, allowing the network to function over various scenarios. Furthermore, the network is trained exclusively on simulated data, avoiding arduous data collection in challenging and degenerate, often hard-to-access, environments. The presented method is tested during field experiments conducted across challenging environments and on two different sensor types without any modifications. The observed detection performance is on par with state-of-the-art methods after environment-specific threshold tuning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google