Fugu-MT 論文翻訳(概要): Robust Odometry and Mapping for Multi-LiDAR Systems with Online Extrinsic Calibration

論文の概要: Robust Odometry and Mapping for Multi-LiDAR Systems with Online Extrinsic Calibration

arxiv url: http://arxiv.org/abs/2010.14294v2
Date: Wed, 5 May 2021 15:32:33 GMT
ステータス: 処理完了
システム内更新日: 2022-10-02 12:51:35.349210
Title: Robust Odometry and Mapping for Multi-LiDAR Systems with Online Extrinsic Calibration
Title（参考訳）: オンライン外部校正によるマルチLiDARシステムのロバストオドメトリーとマッピング
Authors: Jianhao Jiao, Haoyang Ye, Yilong Zhu, Ming Liu
Abstract要約: 本稿では,複数のLiDARのロバストかつ同時キャリブレーション,オドメトリー,マッピングを実現するシステムを提案する。キャリブレーションとSLAMのための10列(全長4.60km)の広範囲な実験により,本手法の性能を検証した。提案手法は,様々なマルチLiDARセットアップのための完全で堅牢なシステムであることを示す。
参考スコア（独自算出の注目度）: 15.946728828122385
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Combining multiple LiDARs enables a robot to maximize its perceptual awareness of environments and obtain sufficient measurements, which is promising for simultaneous localization and mapping (SLAM). This paper proposes a system to achieve robust and simultaneous extrinsic calibration, odometry, and mapping for multiple LiDARs. Our approach starts with measurement preprocessing to extract edge and planar features from raw measurements. After a motion and extrinsic initialization procedure, a sliding window-based multi-LiDAR odometry runs onboard to estimate poses with online calibration refinement and convergence identification. We further develop a mapping algorithm to construct a global map and optimize poses with sufficient features together with a method to model and reduce data uncertainty. We validate our approach's performance with extensive experiments on ten sequences (4.60km total length) for the calibration and SLAM and compare them against the state-of-the-art. We demonstrate that the proposed work is a complete, robust, and extensible system for various multi-LiDAR setups. The source code, datasets, and demonstrations are available at https://ram-lab.com/file/site/m-loam.
Abstract（参考訳）: 複数のLiDARを組み合わせることで、ロボットは環境に対する知覚的認識を最大化し、同時に位置付けとマッピング(SLAM)を約束する十分な測定値を得ることができる。本稿では,複数のLiDARのロバストかつ同時キャリブレーション,オドメトリー,マッピングを実現するシステムを提案する。提案手法は, 実測値からエッジと平面の特徴を抽出する前処理から始める。動作および外部初期化処理の後、スライドウィンドウベースのマルチLiDARオドメトリーがオンボードで実行され、オンラインキャリブレーション補正と収束同定によるポーズを推定する。さらに,データ不確かさをモデル化・低減する手法とともに,グローバルマップを構築し,十分な特徴量を有するポーズを最適化するマッピングアルゴリズムを開発した。キャリブレーションとスラムの10のシーケンス(全長4.60km)について広範な実験を行い,本手法の有効性を検証し,最新技術と比較した。提案手法は,様々なマルチLiDARセットアップに対して,完全かつ堅牢で拡張可能なシステムであることを示す。ソースコード、データセット、デモはhttps://ram-lab.com/file/site/m-loam.com/で見ることができる。

関連論文リスト

MM3DGS SLAM: Multi-modal 3D Gaussian Splatting for SLAM Using Vision, Depth, and Inertial Measurements [59.70107451308687]
カメラ画像と慣性測定による地図表現に3Dガウスアンを用いることで、精度の高いSLAMが実現できることを示す。我々の手法であるMM3DGSは、より高速なスケール認識と軌道追跡の改善により、事前レンダリングの限界に対処する。また,カメラと慣性測定ユニットを備えた移動ロボットから収集したマルチモーダルデータセットUT-MMもリリースした。
論文参考訳（メタデータ） (2024-04-01T04:57:41Z)
Multiway Point Cloud Mosaicking with Diffusion and Global Optimization [74.3802812773891]
マルチウェイポイントクラウドモザイクのための新しいフレームワーク(水曜日)を紹介する。我々のアプローチの核心は、重複を識別し、注意点を洗練する学習されたペアワイズ登録アルゴリズムODINである。 4つの多種多様な大規模データセットを用いて、我々の手法は、全てのベンチマークにおいて大きなマージンで、最先端のペアとローテーションの登録結果を比較した。
論文参考訳（メタデータ） (2024-03-30T17:29:13Z)
Tightly-Coupled LiDAR-Visual SLAM Based on Geometric Features for Mobile Agents [43.137917788594926]
幾何学的特徴に基づく密結合LiDAR視覚SLAMを提案する。視覚サブシステムによって検出された全ラインセグメントは、LiDARサブシステムの制限を克服する。本システムは,現在最先端のマルチモーダル手法と比較して,より正確でロバストなポーズ推定を実現する。
論文参考訳（メタデータ） (2023-07-15T10:06:43Z)
MV-JAR: Masked Voxel Jigsaw and Reconstruction for LiDAR-Based Self-Supervised Pre-Training [58.07391711548269]
Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training
論文参考訳（メタデータ） (2023-03-23T17:59:02Z)
End-To-End Optimization of LiDAR Beam Configuration for 3D Object Detection and Localization [87.56144220508587]
与えられたアプリケーションに対するLiDARビーム構成の最適化を学ぶために、新しい経路を取る。ビーム構成を自動的に最適化する強化学習に基づく学習最適化フレームワークを提案する。本手法は低解像度(低コスト)のLiDARが必要な場合に特に有用である。
論文参考訳（メタデータ） (2022-01-11T09:46:31Z)
An Adaptive Framework for Learning Unsupervised Depth Completion [59.17364202590475]
カラー画像から高密度深度マップとそれに伴うスパース深度測定を推定する手法を提案する。正規化とコビジュアライゼーションは、モデルの適合度とデータによって関連付けられており、単一のフレームワークに統合可能であることを示す。
論文参考訳（メタデータ） (2021-06-06T02:27:55Z)
Real-time Multi-Adaptive-Resolution-Surfel 6D LiDAR Odometry using Continuous-time Trajectory Optimization [33.67478846305404]
6次元LiDARオドメトリーのリアルタイム手法を提案する。本手法は,連続時間b-スプライン軌道表現とガウス混合モデル(gmm)を組み合わせることで,局所多解像度サーフェル写像を協調的に整列する。徹底した実験評価により,2つのデータセットと実ロボット実験におけるアプローチの性能を実証した。
論文参考訳（メタデータ） (2021-05-05T12:14:39Z)
MULLS: Versatile LiDAR SLAM via Multi-metric Linear Least Square [4.449835214520727]
MULLSは効率的で低ドリフトで多用途な3D LiDAR SLAMシステムである。フロントエンドでは, 2次元地上フィルタと主成分分析を用いて, 各フレームから大まかに分類された特徴点を抽出する。バックエンドでは、定期的に記憶されている履歴サブマップ間で階層的なポーズグラフ最適化を行い、デッドレコメンデーションによるドリフトを低減する。 KITTIベンチマークでは、MULLSはリアルタイムパフォーマンスでLiDARのみのSLAMシステムにランクインしている。
論文参考訳（メタデータ） (2021-02-07T10:42:42Z)
Automatic Extrinsic Calibration Method for LiDAR and Camera Sensor Setups [68.8204255655161]
本論文では,LiDAR,単眼,ステレオカメラを含む任意のセンサのパラメータを校正する手法を提案する。提案手法は、通常、車両のセットアップで見られるように、非常に異なる解像度とポーズのデバイスを扱うことができる。
論文参考訳（メタデータ） (2021-01-12T12:02:26Z)
Statistical Outlier Identification in Multi-robot Visual SLAM using Expectation Maximization [18.259478519717426]
本稿では、同時局所化およびマッピング(SLAM)におけるマップ間ループ閉包外乱検出のための、新しい分散手法を提案する。提案アルゴリズムは優れた初期化に頼らず、一度に2つ以上のマップを処理できる。
論文参考訳（メタデータ） (2020-02-07T06:34:44Z)
TCM-ICP: Transformation Compatibility Measure for Registering Multiple LIDAR Scans [4.5412347600435465]
本稿では,複数重複するLiDARスキャンを登録するアルゴリズムを提案する。本研究では,TCM(Transform Compatibility Measure)と呼ばれる幾何学的指標を導入する。提案手法を実世界の4つの場面で評価し,実験結果から,提案手法の登録性能が従来の登録方式と同等か優れていることを示す。
論文参考訳（メタデータ） (2020-01-04T21:05:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。