Improved LiDAR Odometry and Mapping using Deep Semantic Segmentation and Novel Outliers Detection

要約

知覚は、インテリジェントな自律ナビゲーションを実現するための重要な要素です。
周囲環境のセマンティクスの理解と正確な車両姿勢推定は、複雑なタスクを実行する自動運転車や移動ロボットなどの自動運転車にとって不可欠な機能です。
自動運転車のような高速で移動するプラットフォームは、位置特定とマッピングのアルゴリズムに困難な課題を課します。
この研究では、高速移動プラットフォーム向けの LOAM アーキテクチャに基づいたリアルタイム LiDAR オドメトリとマッピングのための新しいフレームワークを提案します。
私たちのフレームワークは、深層学習モデルによって生成されたセマンティック情報を利用して、LiDAR スキャン間のポイントツーラインおよびポイントツープレーンのマッチングを改善し、環境のセマンティックマップを構築することで、LiDAR データを使用したより正確な動き推定につながります。
マッチング プロセスにセマンティック情報を含めると、同じセマンティック クラスの異なるオブジェクト間でマッチングが発生する新しいタイプの外れ値マッチングがプロセスに導入されることがわかります。
この目的を達成するために、マッチング プロセスで潜在的な外れ値を明示的に特定して破棄する新しいアルゴリズムを提案します。
私たちの実験では、高速運動に対する LiDAR オドメトリの堅牢性に対するマッチング プロセスの改善の効果を研究します。
KITTI データセットに対する実験的評価では、高速で移動するプラットフォームによく見られる、スキャン取得ポーズ間に大きなギャップがある場合に、セマンティック情報を利用して外れ値を排除することで、LiDAR オドメトリとマッピングの堅牢性が大幅に向上することが実証されました。

要約(オリジナル)

Perception is a key element for enabling intelligent autonomous navigation. Understanding the semantics of the surrounding environment and accurate vehicle pose estimation are essential capabilities for autonomous vehicles, including self-driving cars and mobile robots that perform complex tasks. Fast moving platforms like self-driving cars impose a hard challenge for localization and mapping algorithms. In this work, we propose a novel framework for real-time LiDAR odometry and mapping based on LOAM architecture for fast moving platforms. Our framework utilizes semantic information produced by a deep learning model to improve point-to-line and point-to-plane matching between LiDAR scans and build a semantic map of the environment, leading to more accurate motion estimation using LiDAR data. We observe that including semantic information in the matching process introduces a new type of outlier matches to the process, where matching occur between different objects of the same semantic class. To this end, we propose a novel algorithm that explicitly identifies and discards potential outliers in the matching process. In our experiments, we study the effect of improving the matching process on the robustness of LiDAR odometry against high speed motion. Our experimental evaluations on KITTI dataset demonstrate that utilizing semantic information and rejecting outliers significantly enhance the robustness of LiDAR odometry and mapping when there are large gaps between scan acquisition poses, which is typical for fast moving platforms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google