Continuous-Time Fixed-Lag Smoothing for LiDAR-Inertial-Camera SLAM

要約

近年、異種マルチセンサー融合によるローカリゼーションとマッピングが普及しています。
さまざまな瞬間とさまざまな周波数で受信したマルチモーダル センサー測定値を適切に融合するために、ファクター グラフ最適化フレームワーク内の固定ラグ スムージングによって連続時間軌跡を推定します。
連続時間定式化を使用すると、センサー測定値に対応する任意の時点でポーズを照会できます。
連続時間の固定ラグ スムーザーの計算の複雑さを制限するために、一定のサイズで一時的およびキーフレームのスライディング ウィンドウを維持し、軌道およびその他の状態のコントロール ポイントを確率的に周辺化します。これにより、将来のスライディング ウィンドウの最適化のために以前の情報を保持できます
.
連続時間固定ラグ スムージングに基づいて、LiDAR 慣性および LiDAR 慣性カメラ SLAM システムなど、さまざまなセンサーの組み合わせを備えた密結合マルチモーダル SLAM アルゴリズムを設計します。このシステムでは、オンライン タイムオフセット キャリブレーションも自然にサポートされます。
.
さらに重要なことは、最適化のために周辺化と導出された分析ヤコビアンの恩恵を受けて、提案された連続時間SLAMシステムは、連続時間定式化の複雑さに関係なく、リアルタイムのパフォーマンスを達成できます。
提案されたマルチモーダル SLAM システムは、3 つの公開データセットと自己収集データセットで広く評価されています。
結果は、提案された連続時間 SLAM システムが高精度の姿勢推定を達成し、既存の最先端の方法よりも優れていることを示しています。
研究コミュニティに利益をもたらすために、~\url{https://github.com/APRIL-ZJU/clic} でコードをオープンソース化します。

要約(オリジナル)

Localization and mapping with heterogeneous multi-sensor fusion have been prevalent in recent years. To adequately fuse multi-modal sensor measurements received at different time instants and different frequencies, we estimate the continuous-time trajectory by fixed-lag smoothing within a factor-graph optimization framework. With the continuous-time formulation, we can query poses at any time instants corresponding to the sensor measurements. To bound the computation complexity of the continuous-time fixed-lag smoother, we maintain temporal and keyframe sliding windows with constant size, and probabilistically marginalize out control points of the trajectory and other states, which allows preserving prior information for future sliding-window optimization. Based on continuous-time fixed-lag smoothing, we design tightly-coupled multi-modal SLAM algorithms with a variety of sensor combinations, like the LiDAR-inertial and LiDAR-inertial-camera SLAM systems, in which online timeoffset calibration is also naturally supported. More importantly, benefiting from the marginalization and our derived analytical Jacobians for optimization, the proposed continuous-time SLAM systems can achieve real-time performance regardless of the high complexity of continuous-time formulation. The proposed multi-modal SLAM systems have been widely evaluated on three public datasets and self-collect datasets. The results demonstrate that the proposed continuous-time SLAM systems can achieve high-accuracy pose estimations and outperform existing state-of-the-art methods. To benefit the research community, we will open source our code at ~\url{https://github.com/APRIL-ZJU/clic}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google