RMS: Redundancy-Minimizing Point Cloud Sampling for Real-Time Pose Estimation

要約

移動ロボットの状態推定に使用される一般的な点群サンプリング方法では、高レベルの点の冗長性が維持されます。
この冗長性により、推定パイプラインが不必要に遅くなり、リアルタイム制約下でドリフトが発生する可能性があります。
このような過度の遅延は、リソースに制約のあるロボット (特に UAV) にとってボトルネックとなり、機敏で正確な動作のためには最小限の遅延が必要となります。
我々は、3D 点群内の冗長性を最小限に抑える、RMS と呼ばれる、新しい、決定論的で情報に基づいていない単一パラメータの点群サンプリング方法を提案します。
最先端技術とは対照的に、RMS は、線形および平面表面が反復推定パイプラインに伝播される高い冗長性を本質的に示すという事実を利用して、変換空間の可観測性のバランスをとります。
点の下にある局所的な表面を定量化する勾配流の概念を定義します。
また、勾配流のエントロピーを最大化すると、ロボットの自己運動推定における点の冗長性が最小限に抑えられることも示します。
RMS をポイントベースの KISS-ICP およびフィーチャベースの LOAM オドメトリ パイプラインに統合し、KITTI、Hilti-Oxford、およびマルチコプター UAV からのカスタム データセットで実験的に評価します。
実験では、RMS が、条件が整った設定でも、幾何学的に縮退した設定でも、速度、圧縮、精度の点で最先端の方法よりも優れていることが実証されました。

要約(オリジナル)

The typical point cloud sampling methods used in state estimation for mobile robots preserve a high level of point redundancy. This redundancy unnecessarily slows down the estimation pipeline and may cause drift under real-time constraints. Such undue latency becomes a bottleneck for resource-constrained robots (especially UAVs), requiring minimal delay for agile and accurate operation. We propose a novel, deterministic, uninformed, and single-parameter point cloud sampling method named RMS that minimizes redundancy within a 3D point cloud. In contrast to the state of the art, RMS balances the translation-space observability by leveraging the fact that linear and planar surfaces inherently exhibit high redundancy propagated into iterative estimation pipelines. We define the concept of gradient flow, quantifying the local surface underlying a point. We also show that maximizing the entropy of the gradient flow minimizes point redundancy for robot ego-motion estimation. We integrate RMS into the point-based KISS-ICP and feature-based LOAM odometry pipelines and evaluate experimentally on KITTI, Hilti-Oxford, and custom datasets from multirotor UAVs. The experiments demonstrate that RMS outperforms state-of-the-art methods in speed, compression, and accuracy in well-conditioned as well as in geometrically-degenerated settings.

arxiv情報

著者 Pavel Petracek,Kostas Alexis,Martin Saska
発行日 2024-04-23 12:47:03+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.RO パーマリンク