Robust Self-Tuning Data Association for Geo-Referencing Using Lane Markings

要約

航空画像ベースのマップでのローカリゼーションには、グローバルな一貫性、地理参照マップ、公的にアクセス可能なデータの可用性など、多くの利点があります。
ただし、航空写真と車載センサーの両方から観測できるランドマークは限られています。
これにより、データ関連付け中に曖昧さやエイリアシングが発生します。
このペーパーでは、(効率的なデータ関連付けを可能にする) 非常に有益な表現に基づいて、これらの曖昧さを解決するための完全なパイプラインを示します。
その核となるのは、測定値のエントロピーに応じて検索領域を適応させる、堅牢な自己調整データ関連付けです。
さらに、最終結果を平滑化するために、データ関連付けプロセスによって生成される相対変換の関数として、関連データの情報行列を調整します。
私たちは、ドイツのカールスルーエ市周辺の都市および農村シナリオから得られた実際のデータに基づいて手法を評価しました。
最先端の異常値緩和手法と自己調整アプローチを比較し、特に都市部郊外のシナリオで大幅な改善が見られることを実証しました。

要約(オリジナル)

Localization in aerial imagery-based maps offers many advantages, such as global consistency, geo-referenced maps, and the availability of publicly accessible data. However, the landmarks that can be observed from both aerial imagery and on-board sensors is limited. This leads to ambiguities or aliasing during the data association. Building upon a highly informative representation (that allows efficient data association), this paper presents a complete pipeline for resolving these ambiguities. Its core is a robust self-tuning data association that adapts the search area depending on the entropy of the measurements. Additionally, to smooth the final result, we adjust the information matrix for the associated data as a function of the relative transform produced by the data association process. We evaluate our method on real data from urban and rural scenarios around the city of Karlsruhe in Germany. We compare state-of-the-art outlier mitigation methods with our self-tuning approach, demonstrating a considerable improvement, especially for outer-urban scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google