Główne pojęcia
LiDARの強度情報を活用することで、幾何学的に劣悪な環境でも高精度かつロバストなLiDAR慣性オドメトリを実現する。
Streszczenie
本研究では、COIN-LIOと呼ばれるLiDAR慣性オドメトリパイプラインを提案している。COIN-LIOは、LiDARの強度情報と幾何学的な点群登録を密結合することで、トンネルや平坦な環境などの幾何学的に劣悪な状況でも高いロバスト性を発揮する。
具体的には以下の手法を提案している:
- LiDARの強度情報を画像に投影し、画像の明るさを均一化するフィルタリング手法を開発
- 幾何学的に劣悪な方向を検出し、その方向と直交する強度特徴を選択する手法を提案
- 選択した強度特徴の光度誤差を慣性測定値およびICP誤差と融合し、反復拡張カルマンフィルタで状態推定を行う
提案手法は、公開データセットおよび新規に作成したENWIDEデータセットにおいて、既存手法と比較して高精度かつロバストな性能を示した。特に幾何学的に劣悪な環境では、提案手法が大幅な性能向上を実現している。
Statystyki
トンネル環境での絶対軌道誤差は0.743m、相対誤差は1.60%
交差点環境での絶対軌道誤差は0.466m、相対誤差は1.25%
平地環境での絶対軌道誤差は0.232m、相対誤差は0.85%
Cytaty
"LiDARの強度情報を活用することで、幾何学的に劣悪な環境でも高精度かつロバストなLiDAR慣性オドメトリを実現する。"
"提案手法は、公開データセットおよび新規に作成したENWIDEデータセットにおいて、既存手法と比較して高精度かつロバストな性能を示した。"
"特に幾何学的に劣悪な環境では、提案手法が大幅な性能向上を実現している。"