LOG-LIO: A LiDAR-Inertial Odometry with Efficient Local Geometric Information Estimation

要約

局所的な幾何学的情報、つまり点の法線や分布は、データの関連付けに制約を与えるため、LiDAR ベースの同時位置特定およびマッピング (SLAM) にとって重要です。これは、最適化の方向性をさらに決定し、最終的には位置特定の精度に影響します。
ただし、点の法線と分布の推定は、kdtree またはボリューム マップの助けを借りたとしても時間のかかる作業です。
高速な正規推定を実現するために、LiDAR スキャンの構造を調査し、リングベースの高速近似最小二乗 (Ring FALS) 法を提案します。
リング構造情報を使用すると、法線の推定には、新しいスキャンが到着したときのポイントの範囲情報のみが必要になります。
点の分布を効率的に推定するために、ikd ツリーを拡張してマップをボクセルで管理し、通常の推定との一貫性を維持しながら各ボクセル内の点の分布を段階的に更新します。
収束後の分布をさらに修正して、時間の消費と表現の正確さのバランスをとります。
抽出および維持された局所的な幾何学的情報に基づいて、点から面への関連付けよりも点からサーフェルへの関連付けが優先される、堅牢で正確な階層データ関連付けスキームを考案します。
多様な公開データセットに対する広範な実験により、他の最先端の方法と比較した当社のシステムの利点が実証されています。
私たちのオープンソース実装は https://github.com/tiev-tongji/LOG-LIO で入手できます。

要約(オリジナル)

Local geometric information, i.e. normal and distribution of points, is crucial for LiDAR-based simultaneous localization and mapping (SLAM) because it provides constraints for data association, which further determines the direction of optimization and ultimately affects the accuracy of localization. However, estimating normal and distribution of points are time-consuming tasks even with the assistance of kdtree or volumetric maps. To achieve fast normal estimation, we look into the structure of LiDAR scan and propose a ring-based fast approximate least squares (Ring FALS) method. With the Ring structural information, estimating the normal requires only the range information of the points when a new scan arrives. To efficiently estimate the distribution of points, we extend the ikd-tree to manage the map in voxels and update the distribution of points in each voxel incrementally while maintaining its consistency with the normal estimation. We further fix the distribution after its convergence to balance the time consumption and the correctness of representation. Based on the extracted and maintained local geometric information, we devise a robust and accurate hierarchical data association scheme where point-to-surfel association is prioritized over point-to-plane. Extensive experiments on diverse public datasets demonstrate the advantages of our system compared to other state-of-the-art methods. Our open source implementation is available at https://github.com/tiev-tongji/LOG-LIO.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google