Grunnleggende konsepter
本稿では、LiDARベースのSLAMシステムにおいて、学習ベースの特徴抽出器を用いることで、従来手法と同等以上のローカライゼーション精度を維持しながら、メモリ使用量を大幅に削減できることを示す。
Sammendrag
学習済みレジストレーション関連特徴を用いたLiDAR慣性オドメトリおよびマッピング
書誌情報: Dong, Z., Pflueger, J., Jung, L., Thorne, D., Osteen, P. R., Robison, C. S., ... & Everett, M. (2024). LiDAR Inertial Odometry and Mapping Using Learned Registration-Relevant Features. arXiv preprint arXiv:2410.02961v1.
研究目的: 長時間ミッションにおけるLiDARベースのSLAMシステムのメモリ消費量の問題に対処するため、精度を維持しながらメモリ使用量を削減する新しい手法を提案する。
手法:
ポイントクラウドのレジストレーションに関連する特徴を学習する軽量な学習ベースの特徴抽出器を提案。
抽出された特徴は、スキャン間およびスキャン-マップのレジストレーションに使用され、従来のデンスなポイントクラウドベースの手法に比べてメモリ使用量を削減。
提案手法を、最先端のLIOシステムであるDLIOMに統合し、多様な環境におけるロバストなパフォーマンスを維持するために、デンスモードにフォールバックする機能を備える。
主な結果:
提案手法であるDFLIOMは、複数の公開ベンチマークにおいて、最先端のLIOシステムであるDLIOMと比較して、ローカライゼーション誤差を2.4%削減し、メモリ使用量を57.5%削減。
提案する特徴抽出器は、従来の手作りされた特徴抽出器よりも優れた性能を発揮。
提案手法は、20Hz LiDARを使用した場合でも、リアルタイム性能を維持。
結論: DFLIOMは、従来手法と同等以上のローカライゼーション精度を維持しながら、メモリ使用量を大幅に削減できる。これにより、自律システムは、より長く複雑な環境で動作することが可能になる。
今後の研究: レジストレーションプロセスを学習プロセスに組み込むための追加手法を検討する。
Statistikk
DFLIOMは、DLIOMと比較して、ローカライゼーション誤差を2.4%削減。
DFLIOMは、DLIOMと比較して、メモリ使用量を57.5%削減。
提案する特徴抽出器は、平均してフレームあたり40.0ミリ秒のランタイム。