LIMOT: A Tightly-Coupled System for LiDAR-Inertial Odometry and Multi-Object Tracking

要約

同時位置特定とマッピング (SLAM) は、自動運転の実装にとって重要です。
ほとんどの LiDAR 慣性 SLAM アルゴリズムは静的環境を想定しているため、動的環境では位置特定の信頼性が低くなります。
さらに、移動物体の正確な追跡は、自動運転車の制御と計画にとって非常に重要です。
この研究では、自車両と物体の両方の姿勢を正確に推定できる、密結合された複数物体追跡と LiDAR 慣性走行距離測定システムである LIMOT を提案します。
我々は、スキャンマッチング前の追跡結果を利用して、移動物体に属する特徴をフィルタリングする、軌跡ベースの動的特徴フィルタリング手法を提案します。
次に、ファクター グラフ ベースの最適化が実行され、IMU のバイアスと、スライディング ウィンドウ内の自車両と周囲のオブジェクトの両方の姿勢が最適化されます。
KITTI追跡データセットと自己収集データセットで行われた実験は、私たちの方法が以前の研究であるDL-SLOTや他のベースライン方法よりも優れた姿勢と追跡の精度を達成することを示しています。
私たちのオープンソース実装は https://github.com/tiev-tongji/LIMOT で入手できます。

要約(オリジナル)

Simultaneous localization and mapping (SLAM) is critical to the implementation of autonomous driving. Most LiDAR-inertial SLAM algorithms assume a static environment, leading to unreliable localization in dynamic environments. Moreover, the accurate tracking of moving objects is of great significance for the control and planning of autonomous vehicles. This study proposes LIMOT, a tightly-coupled multi-object tracking and LiDAR-inertial odometry system that is capable of accurately estimating the poses of both ego-vehicle and objects. We propose a trajectory-based dynamic feature filtering method, which filters out features belonging to moving objects by leveraging tracking results before scan-matching. Factor graph-based optimization is then conducted to optimize the bias of the IMU and the poses of both the ego-vehicle and surrounding objects in a sliding window. Experiments conducted on the KITTI tracking dataset and self-collected dataset show that our method achieves better pose and tracking accuracy than our previous work DL-SLOT and other baseline methods. Our open-source implementation is available at https://github.com/tiev-tongji/LIMOT.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google