LiDAR-Inertial Odometry Based on Extended Kalman Filter

要約

LiDAR 慣性オドメトリ (LIO) は通常、最適化ベースのアプローチを使用して実装され、LiDAR と IMU の両方の測定からの残差をシームレスに統合できる機能があるため、ファクター グラフがよく使用されます。
逆に、最近の研究では、疎結合手法を使用しても正確な LIO を実現できることが実証されました。
この進歩に触発されて、拡張カルマン フィルター (EKF) を介して解決される再帰ベイズ フィルターを利用する LIO メソッド (ここでは KLIO と呼びます) を紹介します。
KLIO 内では、IMU 事前統合と、LiDAR とローカル マップ点群間のスキャン マッチングを使用して事前分布と尤度分布が計算され、姿勢、速度、IMU バイアスは EKF プロセスを通じて更新されます。
Newer College データセットを使用した実験を通じて、KLIO が正確な軌道追跡とマッピングを実現していることを実証しました。
その精度は、密結合メソッドと疎結合メソッドの両方において、最先端のメソッドの精度に匹敵します。

要約(オリジナル)

LiDAR-Inertial Odometry (LIO) is typically implemented using an optimization-based approach, with the factor graph often being employed due to its capability to seamlessly integrate residuals from both LiDAR and IMU measurements. Conversely, a recent study has demonstrated that accurate LIO can also be achieved using a loosely-coupled method. Inspired by this advancements, we present a LIO method that leverages the recursive Bayes filter, solved via the Extended Kalman Filter (EKF) – herein referred to as KLIO. Within KLIO, prior and likelihood distributions are computed using IMU preintegration and scan matching between LiDAR and local map point clouds, and the pose, velocity, and IMU biases are updated through the EKF process. Through experiments with the Newer College dataset, we demonstrate that KLIO achieves precise trajectory tracking and mapping. Its accuracy is comparable to that of the state-of-the-art methods in both tightly- and loosely-coupled methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google