Fast and Robust Normal Estimation for Sparse LiDAR Scans

要約

Light Detection and Ranging (LiDAR) テクノロジーは、多くのロボット システムの重要な部分であることが証明されています。
LiDAR データから推定された表面法線は、このようなシステムのさまざまなタスクに一般的に使用されます。
現在の機械式 LiDAR センサーのほとんどはまばらなデータを生成するため、単一のスキャンから確実な方法で法線を推定することは困難を伴います。
このペーパーでは、曲率の高い領域の法線を平滑化するという典型的な問題を回避しながら、まばらな LiDAR データの法線を推定する問題に取り組みます。
機械式 LiDAR は、しっかりと取り付けられた一連のレーザーを回転させます。
このようなレーザーのセットを 1 回発射すると、スキャナの既知の発射パターンにより各点の隣接点が既知である点の配列が生成されます。
この知識を使用して、これらの点を隣接する点に接続し、それらを接続する線の角度を使用してラベルを付けます。
これらの点の法線を推定するときは、同じラベルを持つ点のみを近傍とみなします。
これにより、曲率の高い領域での法線の推定を回避できます。
私たちは、さまざまなスパース LiDAR センサーを使用して取得された、自己記録されたデータと公開されているデータの両方に対するアプローチを評価します。
法線推定に私たちの方法を使用すると、曲率の高い領域でよりロバストな法線が得られ、より高品質のマップが得られることを示します。
また、私たちの方法は、軽量のベースライン正規推定手順に関して一定係数の実行時オーバーヘッドのみを発生させるため、計算要求の厳しい環境での操作に適していることも示します。

要約(オリジナル)

Light Detection and Ranging (LiDAR) technology has proven to be an important part of many robotics systems. Surface normals estimated from LiDAR data are commonly used for a variety of tasks in such systems. As most of the today’s mechanical LiDAR sensors produce sparse data, estimating normals from a single scan in a robust manner poses difficulties. In this paper, we address the problem of estimating normals for sparse LiDAR data avoiding the typical issues of smoothing out the normals in high curvature areas. Mechanical LiDARs rotate a set of rigidly mounted lasers. One firing of such a set of lasers produces an array of points where each point’s neighbor is known due to the known firing pattern of the scanner. We use this knowledge to connect these points to their neighbors and label them using the angles of the lines connecting them. When estimating normals at these points, we only consider points with the same label as neighbors. This allows us to avoid estimating normals in high curvature areas. We evaluate our approach on various data, both self-recorded and publicly available, acquired using various sparse LiDAR sensors. We show that using our method for normal estimation leads to normals that are more robust in areas with high curvature which leads to maps of higher quality. We also show that our method only incurs a constant factor runtime overhead with respect to a lightweight baseline normal estimation procedure and is therefore suited for operation in computationally demanding environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google