Incremental Multimodal Surface Mapping via Self-Organizing Gaussian Mixture Models

要約

このレターでは、環境を連続確率モデルとして表す増分マルチモーダル表面マッピング方法論について説明します。
このモデルは、空間データと強度点群データを同時に圧縮しながら、高解像度の再構成を可能にします。
この研究で採用された戦略では、混合ガウス モデル (GMM) を利用して環境を表現します。
これまでの GMM ベースのマッピング作業では、情報理論的手法を使用して混合成分の数を決定する方法論が開発されてきましたが、これらのアプローチは個々のセンサーの観測値に基づいて動作するため、増分マッピングには適さないか、特にアプリケーションではリアルタイムで実行できません。
高忠実度のモデリングが必要な場合。
このギャップを埋めるために、このレターでは、点群内の関連性のある冗長データを決定するアプローチと組み合わせた、迅速な GMM サブマップ抽出のための空間ハッシュ マップを紹介します。
これらの貢献により、最先端の増分 GMM ベースのマッピングと比較して、計算速度が 1 桁向上します。
さらに、提案されたアプローチは、最先端のマッピング手法 (GMM ベースと非 GMM ベースの両方) と比較した場合、マップの精度とサイズにおいて優れたトレードオフをもたらします。
評価は、シミュレーション データと実世界のデータの両方を使用して実行されます。
このソフトウェアは、ロボット工学コミュニティに利益をもたらすためにオープンソースでリリースされています。

要約(オリジナル)

This letter describes an incremental multimodal surface mapping methodology, which represents the environment as a continuous probabilistic model. This model enables high-resolution reconstruction while simultaneously compressing spatial and intensity point cloud data. The strategy employed in this work utilizes Gaussian mixture models (GMMs) to represent the environment. While prior GMM-based mapping works have developed methodologies to determine the number of mixture components using information-theoretic techniques, these approaches either operate on individual sensor observations, making them unsuitable for incremental mapping, or are not real-time viable, especially for applications where high-fidelity modeling is required. To bridge this gap, this letter introduces a spatial hash map for rapid GMM submap extraction combined with an approach to determine relevant and redundant data in a point cloud. These contributions increase computational speed by an order of magnitude compared to state-of-the-art incremental GMM-based mapping. In addition, the proposed approach yields a superior tradeoff in map accuracy and size when compared to state-of-the-art mapping methodologies (both GMM- and not GMM-based). Evaluations are conducted using both simulated and real-world data. The software is released open-source to benefit the robotics community.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google