Gaussian Process Mapping of Uncertain Building Models with GMM as Prior

要約

不確実性表現を使用したマッピングは、多くの研究領域、特に位置特定の場合に必要です。
地図情報を使用した自我ロボットの姿勢推定の不確実性に関する研究は数多くありますが、参照マップの品質は無視されることがよくあります。
マップの誤差や不確実性の定量化の欠如によって引き起こされる潜在的な問題を回避するには、マップに対する適切な不確実性の尺度が必要です。
このレターでは、確率論的な方法で地図の不確実性を記述するために、ガウス過程 (GP) を使用した抽象的な地図面を持つ不確実な構築モデルを提案します。
単純な平面オブジェクトの冗長な計算を削減するために、ガウス混合モデル (GMM) から抽出されたファセットは、ローカル GP ブロック手法も使用して、暗黙的な GP マップと結合されます。
提案手法は、モバイルマッピングシステムによって収集された都市建物のLiDAR点群で評価されます。
OctoMap、GP Occupancy Map (GPOM)、Bayesian Generalized Kernel OctoMap (BGKOctoMap)、ローカル自動関連性決定ヒルベルト マップ (LARD-HM)、ガウス暗黙曲面マップ (GPIS) などの他の手法のパフォーマンスと比較して、私たちの手法は
評価された建物の精度と再現率の AUC が高くなります。

要約(オリジナル)

Mapping with uncertainty representation is required in many research domains, especially for localization. Although there are many investigations regarding the uncertainty of the pose estimation of an ego-robot with map information, the quality of the reference maps is often neglected. To avoid potential problems caused by the errors of maps and a lack of uncertainty quantification, an adequate uncertainty measure for the maps is required. In this letter, uncertain building models with abstract map surfaces using Gaussian Processes (GPs) are proposed to describe the map uncertainty in a probabilistic way. To reduce the redundant computation for simple planar objects, extracted facets from a Gaussian Mixture Model (GMM) are combined with an implicit GP map, also employing local GP-block techniques. The proposed method is evaluated on LiDAR point clouds of city buildings collected by a mobile mapping system. Compared to the performance of other methods such as OctoMap, GP Occupancy Map (GPOM), Bayesian Generalized Kernel OctoMap (BGKOctoMap), Local automatic relevance determination Hilbert map (LARD-HM) and Gaussian Implicit Surface map (GPIS), our method achieves a higher Precision-Recall AUC for the evaluated buildings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google