Geo-Localization Based on Dynamically Weighted Factor-Graph

要約

フィーチャベースの地理位置特定は、航空画像から抽出されたフィーチャと車両のセンサーによって検出されたフィーチャの関連付けに依存します。
これには、ランドマークのタイプが両方の情報源から観測可能である必要があります。
このさまざまな特徴タイプの欠如により、あいまいさと検出の欠如によってそれぞれ異常値と偏差が生じる不適切な表現が生成されます。
これらの欠点を軽減するために、この論文では、車両の軌道推定のための動的に重み付けされた因子グラフ モデルを提示します。
この実装における重み調整は、LiDAR センサーを使用して実行される検出における情報の定量化に依存します。
また、事前の (GNSS ベースの) 誤差推定がモデルに含まれています。
次に、表現があいまいまたはまばらになった場合、修正された以前の軌道に依存するように重みが動的に調整され、この方法で外れ値と偏差が軽減されます。
検出損失も発生する、困難で曖昧な環境において、私たちの方法を最先端の地理位置特定方法と比較します。
他の方法が失敗する場合に、前述の欠点を軽減する方法を示します。

要約(オリジナル)

Feature-based geo-localization relies on associating features extracted from aerial imagery with those detected by the vehicle’s sensors. This requires that the type of landmarks must be observable from both sources. This lack of variety of feature types generates poor representations that lead to outliers and deviations produced by ambiguities and lack of detections, respectively. To mitigate these drawbacks, in this paper, we present a dynamically weighted factor graph model for the vehicle’s trajectory estimation. The weight adjustment in this implementation depends on information quantification in the detections performed using a LiDAR sensor. Also, a prior (GNSS-based) error estimation is included in the model. Then, when the representation becomes ambiguous or sparse, the weights are dynamically adjusted to rely on the corrected prior trajectory, mitigating outliers and deviations in this way. We compare our method against state-of-the-art geo-localization ones in a challenging and ambiguous environment, where we also cause detection losses. We demonstrate mitigation of the mentioned drawbacks where the other methods fail.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google