Continuous Self-Localization on Aerial Images Using Visual and Lidar Sensors

要約

本論文では、ジオトラッキング、すなわち、車両のセンサー情報を未知のターゲット地域の空中画像に登録することにより、屋外環境における連続的なメトリック自己位置特定を行うための新しい方法を提案する。ジオトラッキング法は、グローバルナビゲーション衛星システム（GNSS）からのノイズ信号や、高価で維持が困難な事前地図に取って代わる可能性を提供するものである。提案するジオトラッキング手法は、車載カメラとライダーセンサーからのデータを、地理的に登録されたオルソフォトに整合させ、車両を連続的に位置決めするものである。地上画像と航空写真から視覚的特徴を抽出するために、計量学習設定においてモデルを学習する。地上の特徴は、ライダーポイントを通してトップダウン視点に投影され、車両とオルソフォトの間の相対的な姿勢を決定するために、空中の特徴とマッチングされる。 本手法は、未知のオルソフォト上でのメトリックセルフローカライゼーションのためのエンドツーエンド微分可能モデルにおいて、車載カメラを利用した最初の手法である。本手法は、強い汎化性を持ち、環境変化に対してロバストであり、グランドトゥルースとしてジオポーズを必要とするだけである。本手法をKITTI-360データセットで評価した結果、平均絶対位置誤差（APE）0.94mを達成した。さらに、KITTIオドメトリデータセットで先行アプローチと比較し、ジオトラッキングタスクで最先端の結果を達成する。

要約(オリジナル)

This paper proposes a novel method for geo-tracking, i.e. continuous metric self-localization in outdoor environments by registering a vehicle’s sensor information with aerial imagery of an unseen target region. Geo-tracking methods offer the potential to supplant noisy signals from global navigation satellite systems (GNSS) and expensive and hard to maintain prior maps that are typically used for this purpose. The proposed geo-tracking method aligns data from on-board cameras and lidar sensors with geo-registered orthophotos to continuously localize a vehicle. We train a model in a metric learning setting to extract visual features from ground and aerial images. The ground features are projected into a top-down perspective via the lidar points and are matched with the aerial features to determine the relative pose between vehicle and orthophoto. Our method is the first to utilize on-board cameras in an end-to-end differentiable model for metric self-localization on unseen orthophotos. It exhibits strong generalization, is robust to changes in the environment and requires only geo-poses as ground truth. We evaluate our approach on the KITTI-360 dataset and achieve a mean absolute position error (APE) of 0.94m. We further compare with previous approaches on the KITTI odometry dataset and achieve state-of-the-art results on the geo-tracking task.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL