RELEAD: Resilient Localization with Enhanced LiDAR Odometry in Adverse Environments

要約

LiDAR ベースの位置特定は、鉱山調査や地下施設のメンテナンスなどのアプリケーションに役立ちます。
ただし、既存の手法は、困難なシナリオで情報のない幾何学的構造を扱う場合に困難を伴う可能性があります。
このペーパーでは、スキャンマッチングの低下に対処するために設計された LiDAR 中心のソリューションである RELEAD について説明します。
私たちの手法は、フロントエンドで制約のある ESIKF 更新を解決することで縮退のない点群登録を可能にし、外れ値測定を扱う場合でも、段階的非凸性 (GNC) に基づくグラフ最適化を通じてマルチセンサー制約を組み込みます。
さらに、効率的な GNC ベースの最適化のために、堅牢な増分固定ラグ スムーザー (rIFL) を提案します。
RELEAD は縮退シナリオで広範な評価を受けており、既存の最先端の LiDAR-慣性オドメトリおよび LiDAR-ビジュアル-慣性オドメトリ手法を上回るパフォーマンスを示しています。

要約(オリジナル)

LiDAR-based localization is valuable for applications like mining surveys and underground facility maintenance. However, existing methods can struggle when dealing with uninformative geometric structures in challenging scenarios. This paper presents RELEAD, a LiDAR-centric solution designed to address scan-matching degradation. Our method enables degeneracy-free point cloud registration by solving constrained ESIKF updates in the front end and incorporates multisensor constraints, even when dealing with outlier measurements, through graph optimization based on Graduated Non-Convexity (GNC). Additionally, we propose a robust Incremental Fixed Lag Smoother (rIFL) for efficient GNC-based optimization. RELEAD has undergone extensive evaluation in degenerate scenarios and has outperformed existing state-of-the-art LiDAR-Inertial odometry and LiDAR-Visual-Inertial odometry methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google