Traj-LIO: A Resilient Multi-LiDAR Multi-IMU State Estimator Through Sparse Gaussian Process

要約

現在では、センサー障害に伴うリスクを軽減するために、センサースーツには冗長 LiDAR と IMU が装備されています。
以前の離散時間および IMU 駆動の運動学システムでは、異常な IMU データの影響を受けやすい複数の非同期センサーを組み込むことが困難でした。
これらの制限に対処するために、限られた制御状態でセンサーの時空間の動きを捕捉するために、ノンパラメトリックな連続時間軌跡を予測するガウスプロセス (GP) を利用して、マルチ LiDAR マルチ IMU 状態推定器を導入します。
3 種類の線形時不変確率微分方程式によって駆動される運動学モデルは外部センサー測定から独立しているため、私たちが提案するアプローチは、さまざまなセンサー構成を処理でき、センサーの故障に強いです。
さらに、従来の $\mathrm{SE}(3)$ 状態表現を $\mathrm{SO}(3)$ とベクトル空間の組み合わせに置き換えます。これにより、GP ベースの LiDAR 慣性システムが実数を満たすことが可能になります。
時間要件。
公開データセットに対する広範な実験により、私たちが提案するマルチ LiDAR マルチ IMU 状態推定器の多用途性と復元力が実証されました。
コミュニティに貢献するために、ソースコードを公開します。

要約(オリジナル)

Nowadays, sensor suits have been equipped with redundant LiDARs and IMUs to mitigate the risks associated with sensor failure. It is challenging for the previous discrete-time and IMU-driven kinematic systems to incorporate multiple asynchronized sensors, which are susceptible to abnormal IMU data. To address these limitations, we introduce a multi-LiDAR multi-IMU state estimator by taking advantage of Gaussian Process (GP) that predicts a non-parametric continuous-time trajectory to capture sensors’ spatial-temporal movement with limited control states. Since the kinematic model driven by three types of linear time-invariant stochastic differential equations are independent of external sensor measurements, our proposed approach is capable of handling different sensor configurations and resilient to sensor failures. Moreover, we replace the conventional $\mathrm{SE}(3)$ state representation with the combination of $\mathrm{SO}(3)$ and vector space, which enables GP-based LiDAR-inertial system to fulfill the real-time requirement. Extensive experiments on the public datasets demonstrate the versatility and resilience of our proposed multi-LiDAR multi-IMU state estimator. To contribute to the community, we will make our source code publicly available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google