Light-LOAM: A Lightweight LiDAR Odometry and Mapping based on Graph-Matching

要約

同時位置特定とマッピング (SLAM) は、ロボットの自律性において重要な役割を果たします。
信頼性と効率は、ロボット アプリケーションに SLAM を適用する場合に最も重要な 2 つの機能です。
この論文では、グラフベースの点群関連付けに基づいたクアローター UAV など、計算量が制限されたプラットフォームで信頼性の高い LiDAR ベースの SLAM 機能を実現することを検討します。
まず、点群登録のために顕著な特徴を選択するほとんどの研究とは対照的に、信頼性と堅牢性を目的として目立たない特徴を選択する戦略を提案します。
次に、2 段階の対応選択方法を使用して点群を登録します。これには、KD ツリーベースの粗いマッチングと、それに続く、幾何学的一貫性を使用して誤った対応を投票するグラフベースのマッチング方法が含まれます。
さらに、前述の幾何学的一貫性グラフからの投票結果に基づいて重みを最適化するオドメトリ アプローチを提案します。
このようにして、LiDAR オドメトリの最適化は迅速に収束し、かなり正確な変換を評価し、その結果バックエンド モジュールがマッピング タスクを効率的に完了します。
最後に、KITTI オドメトリ データセットと現実世界の環境に関して提案したフレームワークを評価します。
実験の結果、当社の SLAM システムは、主流の LiDAR ベースの SLAM ソリューションと比較して、よりバランスの取れた計算効率で、比較的高いレベルの精度を達成できることが示されています。

要約(オリジナル)

Simultaneous Localization and Mapping (SLAM) plays an important role in robot autonomy. Reliability and efficiency are the two most valued features for applying SLAM in robot applications. In this paper, we consider achieving a reliable LiDAR-based SLAM function in computation-limited platforms, such as quadrotor UAVs based on graph-based point cloud association. First, contrary to most works selecting salient features for point cloud registration, we propose a non-conspicuous feature selection strategy for reliability and robustness purposes. Then a two-stage correspondence selection method is used to register the point cloud, which includes a KD-tree-based coarse matching followed by a graph-based matching method that uses geometric consistency to vote out incorrect correspondences. Additionally, we propose an odometry approach where the weight optimizations are guided by vote results from the aforementioned geometric consistency graph. In this way, the optimization of LiDAR odometry rapidly converges and evaluates a fairly accurate transformation resulting in the back-end module efficiently finishing the mapping task. Finally, we evaluate our proposed framework on the KITTI odometry dataset and real-world environments. Experiments show that our SLAM system achieves a comparative level or higher level of accuracy with more balanced computation efficiency compared with the mainstream LiDAR-based SLAM solutions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google