Graph Optimality-Aware Stochastic LiDAR Bundle Adjustment with Progressive Spatial Smoothing

要約

センサーの向きと点群の精度を同時に調整する大規模な LiDAR バンドル調整 (LBA) は、特に複雑なシーンでの 3D マッピングに低コストの 3D センサーの使用が増えているため、写真測量とロボット工学の基本的なタスクです。
LiDAR フレーム間のペア関係のみに依存する姿勢グラフベースの方法とは異なり、LBA は生の LiDAR 対応を利用して、特に低コストセンサーの初期姿勢推定が信頼できない場合に、より正確な結果を実現します。
ただし、既存の LBA 手法は、単純な平面対応、広範な観測、最小二乗問題における密な正規行列などの課題に直面しており、堅牢性、効率、スケーラビリティが制限されています。
これらの問題に対処するために、\textit{robust}、\textit{efficient}、\textit{scalable} LBA を達成するために、Progressive Spatial Smoothing を備えたグラフ最適性を意識した確率的最適化スキーム、つまり PSS-GOSO を提案します。
Progressive Spatial Smoothing (PSS) モジュールは、多項式スムーズ カーネルによって取得された以前の構造情報を利用して \textit{robust} LiDAR 機能の関連付けを抽出します。
Graph Optimality-aware Stochastic Optimization (GOSO) モジュールは、まず \textit{efficient} 最適化の最適性に応じてグラフをスパース化します。
次に、GOSO は確率的クラスタリングとグラフ周辺化を利用して、\textit{scalable} LBA の大規模な状態推定問題を解決します。
さまざまなプラットフォームでキャプチャされたさまざまなシーンにわたって PSS-GOSO を検証し、既存の方法と比較してその優れたパフォーマンスを実証します。

要約(オリジナル)

Large-scale LiDAR Bundle Adjustment (LBA) for refining sensor orientation and point cloud accuracy simultaneously is a fundamental task in photogrammetry and robotics, particularly as low-cost 3D sensors are increasingly used for 3D mapping in complex scenes. Unlike pose-graph-based methods that rely solely on pairwise relationships between LiDAR frames, LBA leverages raw LiDAR correspondences to achieve more precise results, especially when initial pose estimates are unreliable for low-cost sensors. However, existing LBA methods face challenges such as simplistic planar correspondences, extensive observations, and dense normal matrices in the least-squares problem, which limit robustness, efficiency, and scalability. To address these issues, we propose a Graph Optimality-aware Stochastic Optimization scheme with Progressive Spatial Smoothing, namely PSS-GOSO, to achieve \textit{robust}, \textit{efficient}, and \textit{scalable} LBA. The Progressive Spatial Smoothing (PSS) module extracts \textit{robust} LiDAR feature association exploiting the prior structure information obtained by the polynomial smooth kernel. The Graph Optimality-aware Stochastic Optimization (GOSO) module first sparsifies the graph according to optimality for an \textit{efficient} optimization. GOSO then utilizes stochastic clustering and graph marginalization to solve the large-scale state estimation problem for a \textit{scalable} LBA. We validate PSS-GOSO across diverse scenes captured by various platforms, demonstrating its superior performance compared to existing methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google