Adaptive LiDAR Odometry and Mapping for Autonomous Agricultural Mobile Robots in Unmanned Farms

要約

無人でインテリジェントな農業システムは、農業の効率を高め、労働力不足の影響を軽減するために不可欠です。
しかし、都市環境とは異なり、農地では、環境の構造化されていない動的な性質、起伏の多い地形、その結果として生じるロボットの滑らかでない動きなど、自律型ロボット システムに明確で独特の課題が課せられます。
これらの課題に対処するために、この研究では、複雑な農業環境で動作する自律型農業移動ロボット向けに調整された適応型 LiDAR オドメトリおよびマッピング フレームワークを導入します。
提案されたフレームワークは、高密度の一般化 ICP スキャン マッチングに基づく堅牢な LiDAR オドメトリ アルゴリズムと、選択的なマップ更新のための動きの安定性と点群の一貫性を考慮した適応マッピング モジュールで構成されます。
このフレームワークの主要な設計原則は、動きによって歪んだポイントやまばらな動的オブジェクトを拒否することでマップの段階的な一貫性を優先することです。これにより、マップとのスキャン マッチングから推定されるオドメトリの高精度が実現します。
提案された方法の有効性は、さまざまな植栽タイプ、地形タイプ、およびロボットの動作プロファイルを特徴とする現実世界の農業環境で収集されたフィールドデータセットに対する最先端の方法と比較した広範な評価によって検証されます。
結果は、他の方法が構造化されていない環境でのロボットの突然の動きや蓄積されたドリフトに敏感であるのに対し、私たちの方法はさまざまな農業環境にわたって正確なオドメトリ推定とマッピング結果を一貫してロバストに達成できることを示しています。
さらに、私たちの方法の計算効率は他の方法と比べて優れています。
開発されたメソッドのソース コードと関連するフィールド データセットは、https://github.com/UCR-Robotics/AG-LOAM で公開されています。

要約(オリジナル)

Unmanned and intelligent agricultural systems are crucial for enhancing agricultural efficiency and for helping mitigate the effect of labor shortage. However, unlike urban environments, agricultural fields impose distinct and unique challenges on autonomous robotic systems, such as the unstructured and dynamic nature of the environment, the rough and uneven terrain, and the resulting non-smooth robot motion. To address these challenges, this work introduces an adaptive LiDAR odometry and mapping framework tailored for autonomous agricultural mobile robots operating in complex agricultural environments. The proposed framework consists of a robust LiDAR odometry algorithm based on dense Generalized-ICP scan matching, and an adaptive mapping module that considers motion stability and point cloud consistency for selective map updates. The key design principle of this framework is to prioritize the incremental consistency of the map by rejecting motion-distorted points and sparse dynamic objects, which in turn leads to high accuracy in odometry estimated from scan matching against the map. The effectiveness of the proposed method is validated via extensive evaluation against state-of-the-art methods on field datasets collected in real-world agricultural environments featuring various planting types, terrain types, and robot motion profiles. Results demonstrate that our method can achieve accurate odometry estimation and mapping results consistently and robustly across diverse agricultural settings, whereas other methods are sensitive to abrupt robot motion and accumulated drift in unstructured environments. Further, the computational efficiency of our method is competitive compared with other methods. The source code of the developed method and the associated field dataset are publicly available at https://github.com/UCR-Robotics/AG-LOAM.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google