CTE-MLO: Continuous-time and Efficient Multi-LiDAR Odometry with Localizability-aware Point Cloud Sampling

要約

近年、LiDAR ベースの位置特定およびマッピング方法は、信頼性の高いリアルタイムの位置特定機能のおかげで大幅な進歩を遂げています。
実際のシナリオでは、単一の LiDAR オドメトリがハードウェアの故障や性能低下に直面することが多いことを考慮して、LiDAR ベースの位置特定およびマッピング システムのパフォーマンスを向上させるために、新しいテクノロジーとしてマルチ LiDAR オドメトリ (MLO) が研究されています。
ただし、MLO は、複数の LiDAR から融合された高密度の点群によってもたらされる高い計算の複雑さの影響を受ける可能性があり、連続時間測定特性は既存の LiDAR オドメトリによって常に無視されます。
これは、連続時間の観点からマルチ LiDAR 測定を使用して正確かつリアルタイムの状態推定を達成できる、連続時間で効率的な MLO、つまり CTE-MLO を開発する動機になります。
この論文では、ガウス過程推定がカルマン フィルターと自然に組み合わされており、これにより、ポイント ストリーム内の各 LiDAR ポイントが、その時点内の対応する連続時間軌跡をクエリできるようになります。
分散型マルチ LiDAR 同期スキームも、プライマリ LiDAR 割り当てを必要とせずに、個別の LiDAR からの点を単一の点群に結合するために考案されています。
さらに、ロバスト性を犠牲にすることなく MLO のリアルタイム パフォーマンスを向上させることを目的として、局所性を考慮して点群サンプリング戦略が設計されています。
提案された手法の有効性は、公開データセットや現実世界の自動運転実験などのさまざまなシナリオを通じて実証されます。
結果は、提案された CTE-MLO がリアルタイムで高精度の連続時間状態推定を達成でき、他の最先端の方法と比較して実証的に競争力があることを示しています。

要約(オリジナル)

In recent years, LiDAR-based localization and mapping methods have achieved significant progress thanks to their reliable and real-time localization capability. Considering single LiDAR odometry often faces hardware failures and degradation in practical scenarios, Multi-LiDAR Odometry (MLO), as an emerging technology, is studied to enhance the performance of LiDAR-based localization and mapping systems. However, MLO can suffer from high computational complexity introduced by dense point clouds that are fused from multiple LiDARs, and the continuous-time measurement characteristic is constantly neglected by existing LiDAR odometry. This motivates us to develop a Continuous-Time and Efficient MLO, namely CTE-MLO, which can achieve accurate and real-time state estimation using multi-LiDAR measurements through a continuous-time perspective. In this paper, the Gaussian process estimation is naturally combined with the Kalman filter, which enables each LiDAR point in a point stream to query the corresponding continuous-time trajectory within its time instants. A decentralized multi-LiDAR synchronization scheme also be devised to combine points from separate LiDARs into a single point cloud without the requirement for primary LiDAR assignment. Moreover, with the aim of improving the real-time performance of MLO without sacrificing robustness, a point cloud sampling strategy is designed with the consideration of localizability. The effectiveness of the proposed method is demonstrated through various scenarios, including public datasets and real-world autonomous driving experiments. The results demonstrate that the proposed CTE-MLO can achieve high-accuracy continuous-time state estimations in real-time and is demonstratively competitive compared to other state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google