MegaParticles: Range-based 6-DoF Monte Carlo Localization with GPU-Accelerated Stein Particle Filter

要約

この論文では、GPU で高速化された Stein 粒子フィルターを使用した 6-DoF 範囲ベースのモンテカルロ位置特定手法を紹介します。
大量の粒子を更新するために、反復近傍粒子検索を備えたガウス ニュートン ベースのシュタイン変分勾配降下法 (SVGD) を提案します。
この方法では、SVGD を使用して粒子の状態を勾配および近傍情報でまとめて更新し、効率的な粒子サンプリングを実現します。
効率的な近傍粒子検索のために、局所性を考慮したハッシュを使用し、時間の経過とともに各粒子の近傍リストを繰り返し更新します。
次に、隣接リストを使用して、隣接粒子グラフ全体に粒子の事後確率を伝播します。
提案された方法は、単一の GPU 上で 100 万個の粒子をリアルタイムで評価することができ、初期姿勢推定を行わずに堅牢な姿勢の初期化と再位置推定を可能にします。
実験では、提案された方法は完全なセンサーオクルージョン（つまり、誘拐）に対して非常に堅牢であることが示され、事前情報なしでセンサーの位置をピンポイントで特定することが可能になりました。

要約(オリジナル)

This paper presents a 6-DoF range-based Monte Carlo localization method with a GPU-accelerated Stein particle filter. To update a massive amount of particles, we propose a Gauss-Newton-based Stein variational gradient descent (SVGD) with iterative neighbor particle search. This method uses SVGD to collectively update particle states with gradient and neighborhood information, which provides efficient particle sampling. For an efficient neighbor particle search, it uses locality sensitive hashing and iteratively updates the neighbor list of each particle over time. The neighbor list is then used to propagate the posterior probabilities of particles over the neighbor particle graph. The proposed method is capable of evaluating one million particles in real-time on a single GPU and enables robust pose initialization and re-localization without an initial pose estimate. In experiments, the proposed method showed an extreme robustness to complete sensor occlusion (i.e., kidnapping), and enabled pinpoint sensor localization without any prior information.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google