AutoMerge: A Framework for Map Assembling and Smoothing in City-scale Environments

要約

多数のマップ セグメントを完全なマップに組み立てるための LiDAR データ処理フレームワークである AutoMerge を紹介します。
従来の大縮尺のマップ マージ方法は、データの関連付けが正しくない可能性が高く、主にオフラインでの作業に限定されていました。
AutoMerge は、マルチパースペクティブ フュージョンと適応型ループ クロージャー検出を利用して正確なデータ関連付けを行い、インクリメンタル マージを使用して、ランダムな順序で与えられた個々の軌跡セグメントから大きなマップを組み立て、初期推定は行いません。
さらに、セグメントを組み立てた後、AutoMerge は細かいマッチングとポーズグラフの最適化を実行して、マージされたマップをグローバルに滑らかにします。
都市規模のマージ (120km) とキャンパス規模の反復マージ (4.5km x 8) の両方で AutoMerge をデモンストレーションします。
実験は、AutoMerge が (i) 2 番目および 3 番目に優れた方法をセグメント検索で 14% および 24% 上回ること、(ii) 120 km の大縮尺マップ アセンブリで同等の 3D マッピング精度を達成すること、(iii) を示しています。
時間間隔を空けた再訪に対してロバストです。
私たちの知る限りでは、AutoMerge は、GPS の助けを借りずに数百キロメートルの個々のセグメントを結合できる最初のマッピング アプローチです。

要約(オリジナル)

We present AutoMerge, a LiDAR data processing framework for assembling a large number of map segments into a complete map. Traditional large-scale map merging methods are fragile to incorrect data associations, and are primarily limited to working only offline. AutoMerge utilizes multi-perspective fusion and adaptive loop closure detection for accurate data associations, and it uses incremental merging to assemble large maps from individual trajectory segments given in random order and with no initial estimations. Furthermore, after assembling the segments, AutoMerge performs fine matching and pose-graph optimization to globally smooth the merged map. We demonstrate AutoMerge on both city-scale merging (120km) and campus-scale repeated merging (4.5km x 8). The experiments show that AutoMerge (i) surpasses the second- and third- best methods by 14% and 24% recall in segment retrieval, (ii) achieves comparable 3D mapping accuracy for 120 km large-scale map assembly, (iii) and it is robust to temporally-spaced revisits. To the best of our knowledge, AutoMerge is the first mapping approach that can merge hundreds of kilometers of individual segments without the aid of GPS.

arxiv情報

著者 Peng Yin,Haowen Lai,Shiqi Zhao,Ruijie Fu,Ivan Cisneros,Ruohai Ge,Ji Zhang,Howie Choset,Sebastian Scherer
発行日 2022-09-28 17:35:11+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, cs.RO パーマリンク