MS-Mapping: An Uncertainty-Aware Large-Scale Multi-Session LiDAR Mapping System

要約

大規模なマルチセッション LiDAR マッピングは、測量、自動運転、クラウドソース マッピング、マルチエージェント ナビゲーションなどの幅広いアプリケーションに不可欠です。
ただし、既存のアプローチでは、複雑な環境におけるデータの冗長性、堅牢性、正確性に問題が生じることがよくあります。
これらの課題に対処するために、大規模環境で堅牢かつ正確な地図アセンブリを実現する増分マッピング スキームを採用した新しいマルチセッション LiDAR マッピング システムである MS-Mapping を紹介します。
私たちのアプローチでは、次の 3 つの主要な革新が導入されています。 1) マップ分布の類似性を分析することで、マップに対する各点群フレームの微妙な寄与を捕捉する、分布を意識したキーフレーム選択方法。
この方法は、グラフの最適化速度を向上させながら、データの冗長性とポーズ グラフのサイズを効果的に削減します。
2) グラフの最適化中に共分散行列に従って最小二乗調整を自動的に実行する不確実性モデルにより、シーン固有のパラメーター調整を必要とせずにマッピングの精度、堅牢性、および柔軟性が向上します。
この不確実性モデルにより、システムは姿勢の不確実性を監視し、不適切な最適化を回避できるため、多様で困難な環境への適応性が向上します。
3) 公正な評価を確保するため、ベースライン比較と評価基準を再設計します。
マップ精度の直接評価は、最先端の方法と比較して、提案された MS-Mapping アルゴリズムの優位性を示しています。
Urban-Nav、FusionPortable、Newer College などの公開データセットの使用に加えて、このような大規模な \SI{855}{m}$\times$\SI{636}{m} グラウンド トゥルース マップに対して広範な実験を実施しました。
\SI{20}{km} を超える屋内および屋外のデータを 10 以上のシーケンスにわたって収集しています…

要約(オリジナル)

Large-scale multi-session LiDAR mapping is essential for a wide range of applications, including surveying, autonomous driving, crowdsourced mapping, and multi-agent navigation. However, existing approaches often struggle with data redundancy, robustness, and accuracy in complex environments. To address these challenges, we present MS-Mapping, an novel multi-session LiDAR mapping system that employs an incremental mapping scheme for robust and accurate map assembly in large-scale environments. Our approach introduces three key innovations: 1) A distribution-aware keyframe selection method that captures the subtle contributions of each point cloud frame to the map by analyzing the similarity of map distributions. This method effectively reduces data redundancy and pose graph size, while enhancing graph optimization speed; 2) An uncertainty model that automatically performs least-squares adjustments according to the covariance matrix during graph optimization, improving mapping precision, robustness, and flexibility without the need for scene-specific parameter tuning. This uncertainty model enables our system to monitor pose uncertainty and avoid ill-posed optimizations, thereby increasing adaptability to diverse and challenging environments. 3) To ensure fair evaluation, we redesign baseline comparisons and the evaluation benchmark. Direct assessment of map accuracy demonstrates the superiority of the proposed MS-Mapping algorithm compared to state-of-the-art methods. In addition to employing public datasets such as Urban-Nav, FusionPortable, and Newer College, we conducted extensive experiments on such a large \SI{855}{m}$\times$\SI{636}{m} ground truth map, collecting over \SI{20}{km} of indoor and outdoor data across more than ten sequences…

arxiv情報

提供元, 利用サービス

arxiv.jp, Google