Gaussian Process Mapping of Uncertain Building Models with GMM as Prior

要約

ローカリゼーションやセンサー フュージョンなど、多くの研究分野で不確実性表現を伴うマッピングが必要です。
マップ情報を使用した自我ロボットの姿勢推定には多くの不確実性の調査がありますが、参照マップの品質はしばしば無視されます。
マップのエラーと不確実性の定量化の欠如によって引き起こされる潜在的な問題を回避するには、マップの適切な不確実性の測定が必要です。
この論文では、確率論的な方法で地図の不確実性を測定するために、ガウス過程 (GP) を使用した抽象的な地図面を持つ不確実な建物モデルが提案されています。
単純な平面オブジェクトの冗長な計算を削減するために、ガウス混合モデル (GMM) から抽出されたファセットが暗黙の GP マップと組み合わされ、ローカル GP ブロック手法も使用されます。
提案された方法は、モバイル マッピング システムによって収集された都市の建物の LiDAR ポイント クラウドで評価されます。
Octomap、Gaussian Process Occupancy Map (GPOM)、Bayersian Generalized Kernel Inference (BGKOctomap) などの他の方法のパフォーマンスと比較して、私たちの方法は、評価された建物に対してより高い Precision-Recall AUC を達成しました。

要約(オリジナル)

Mapping with uncertainty representation is required in many research domains, such as localization and sensor fusion. Although there are many uncertainty explorations in pose estimation of an ego-robot with map information, the quality of the reference maps is often neglected. To avoid the potential problems caused by the errors of maps and a lack of the uncertainty quantification, an adequate uncertainty measure for the maps is required. In this paper, uncertain building models with abstract map surface using Gaussian Process (GP) is proposed to measure the map uncertainty in a probabilistic way. To reduce the redundant computation for simple planar objects, extracted facets from a Gaussian Mixture Model (GMM) are combined with the implicit GP map while local GP-block techniques are used as well. The proposed method is evaluated on LiDAR point clouds of city buildings collected by a mobile mapping system. Compared to the performances of other methods such like Octomap, Gaussian Process Occupancy Map (GPOM) and Bayersian Generalized Kernel Inference (BGKOctomap), our method has achieved higher Precision-Recall AUC for evaluated buildings.

arxiv情報

著者 Qianqian Zou,Claus Brenner,Monika Sester
発行日 2023-02-16 17:55:58+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO パーマリンク