LGSDF: Continual Global Learning of Signed Distance Fields Aided by Local Updating

要約

ESDF (ユークリッド符号付き距離フィールド) の暗黙的再構築には、任意の点から最も近い障害物までの符号付き距離を回帰するニューラル ネットワークのトレーニングが含まれます。これには、軽量のストレージと継続的なクエリの利点があります。
ただし、既存のアルゴリズムは通常、トレーニング データとして矛盾する生の観測値に依存しているため、マップのパフォーマンスが低下します。
この論文では、ローカル更新を利用した ESDF 継続的グローバル学習アルゴリズムである LGSDF を提案します。
フロントエンドでは、前処理されたセンサー観測によって軸が整列したグリッドが動的に更新され、インクリメンタル フュージョンにより、限定された視線方向によって引き起こされる推定誤差が軽減されます。
バックエンドでは、ランダムに初期化された暗黙的 ESDF ニューラル ネットワークがこれらのグリッドに導かれて継続的な自己教師あり学習を実行し、滑らかで連続的なマップを生成します。
複数のシーンの結果は、LGSDF が SOTA (State Of The Art) 明示的および暗黙的マッピング アルゴリズムと比較して、より正確な ESDF マップとメッシュを構築できることを示しています。
LGSDF のソース コードは、https://github.com/BIT-DYN/LGSDF で公開されています。

要約(オリジナル)

Implicit reconstruction of ESDF (Euclidean Signed Distance Field) involves training a neural network to regress the signed distance from any point to the nearest obstacle, which has the advantages of lightweight storage and continuous querying. However, existing algorithms usually rely on conflicting raw observations as training data, resulting in poor map performance. In this paper, we propose LGSDF, an ESDF continual Global learning algorithm aided by Local updating. At the front end, axis-aligned grids are dynamically updated by pre-processed sensor observations, where incremental fusion alleviates estimation error caused by limited viewing directions. At the back end, a randomly initialized implicit ESDF neural network performs continual self-supervised learning guided by these grids to generate smooth and continuous maps. The results on multiple scenes show that LGSDF can construct more accurate ESDF maps and meshes compared with SOTA (State Of The Art) explicit and implicit mapping algorithms. The source code of LGSDF is publicly available at https://github.com/BIT-DYN/LGSDF.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google