C$^3$P-VoxelMap: Compact, Cumulative and Coalescible Probabilistic Voxel Mapping

要約

この研究では、LiDAR オドメトリのパフォーマンス、精度、メモリ効率を向上させる、コンパクトで累積的かつ合体可能な確率的ボクセル マッピング手法を紹介します。
確率的ボクセル マッピングでは、過去の点群を保存し、それを反復して反復ごとに不確実性を更新する必要があり、大量のメモリ スペースと CPU サイクルを消費します。
この問題を解決するために、私たちは 2 つの戦略を提案します。
まず、確率的ボクセルにコンパクトなポイントフリー表現を導入し、元の点群をキャッシュせずに平面不確実性の累積的な更新を導出します。
私たちのボクセル構造は、その内部にある点に関する所定の統計セットを追跡するだけです。
このメソッドは、実行時の複雑さを $O(MN)$ から $O(N)$ に、空間の複雑さを $O(N)$ から $O(1)$ に削減します。ここで、$M$ は反復数、$N です。
$はポイント数です。
次に、メモリ使用量をさらに最小限に抑え、マッピングの精度を高めるために、現実世界の幾何学的特徴を利用して、同じ物理平面に関連付けられたボクセルを動的にマージする戦略を提供します。
これらの合体可能なボクセルを反復ごとに常にスキャンするのではなく、マージ戦略は局所性依存のハッシュにボクセルを蓄積し、マージを遅延的にトリガーします。
オンデマンド マージは、最小限の計算オーバーヘッドでメモリ フットプリントを削減するだけでなく、クロスボクセル ノイズ除去により位置特定の精度も向上します。
実験では、最先端のものと比べて精度が 20% 高く、パフォーマンスが 20% 高速で、メモリ消費量が 70% 低いことがわかりました。

要約(オリジナル)

This work presents a compact, cumulative and coalescible probabilistic voxel mapping method to enhance performance, accuracy and memory efficiency in LiDAR odometry. Probabilistic voxel mapping requires storing past point clouds and re-iterating on them to update the uncertainty every iteration, which consumes large memory space and CPU cycles. To solve this problem, we propose a two-folded strategy. First, we introduce a compact point-free representation for probabilistic voxels and derive a cumulative update of the planar uncertainty without caching original point clouds. Our voxel structure only keeps track of a predetermined set of statistics for points that lie inside it. This method reduces the runtime complexity from $O(MN)$ to $O(N)$ and the space complexity from $O(N)$ to $O(1)$ where $M$ is the number of iterations and $N$ is the number of points. Second, to further minimize memory usage and enhance mapping accuracy, we provide a strategy to dynamically merge voxels associated with the same physical planes by taking advantage of the geometric features in the real world. Rather than scanning for these coalescible voxels constantly at every iteration, our merging strategy accumulates voxels in a locality-sensitive hash and triggers merging lazily. On-demand merging not only reduces memory footprint with minimal computational overhead but also improves localization accuracy thanks to cross-voxel denoising. Experiments exhibit 20% higher accuracy, 20% faster performance and 70% lower memory consumption than the state-of-the-art.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google