論文の概要: MULLS: Versatile LiDAR SLAM via Multi-metric Linear Least Square
- arxiv url: http://arxiv.org/abs/2102.03771v1
- Date: Sun, 7 Feb 2021 10:42:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-09 15:26:48.731122
- Title: MULLS: Versatile LiDAR SLAM via Multi-metric Linear Least Square
- Title（参考訳）: MULLS:多次元線形最小方形による垂直LiDARSLAM
- Authors: Yue Pan, Pengchuan Xiao, Yujie He, Zhenlei Shao, Zesong Li
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 4.449835214520727
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid development of autonomous driving and mobile mapping calls for
off-the-shelf LiDAR SLAM solutions that are adaptive to LiDARs of different
specifications on various complex scenarios. To this end, we propose MULLS, an
efficient, low-drift, and versatile 3D LiDAR SLAM system. For the front-end,
roughly classified feature points (ground, facade, pillar, beam, etc.) are
extracted from each frame using dual-threshold ground filtering and principal
components analysis. Then the registration between the current frame and the
local submap is accomplished efficiently by the proposed multi-metric linear
least square iterative closest point algorithm. Point-to-point (plane, line)
error metrics within each point class are jointly optimized with a linear
approximation to estimate the ego-motion. Static feature points of the
registered frame are appended into the local map to keep it updated. For the
back-end, hierarchical pose graph optimization is conducted among regularly
stored history submaps to reduce the drift resulting from dead reckoning.
Extensive experiments are carried out on three datasets with more than 100,000
frames collected by six types of LiDAR on various outdoor and indoor scenarios.
On the KITTI benchmark, MULLS ranks among the top LiDAR-only SLAM systems with
real-time performance.
- Abstract（参考訳）: 自動運転とモバイルマッピングの急速な開発は、さまざまな複雑なシナリオで異なる仕様のLiDARに適応する既製のLiDAR SLAMソリューションを必要とします。
そこで本研究では,効率よく,低ドリフト,多用途3D LiDAR SLAMシステムであるMULLSを提案する。
フロントエンドについては、大まかに分類された特徴点(地面、ファサード、柱、梁など)
各フレームからdual-threshold ground filteringと主成分分析を用いて抽出する。
次に、提案するマルチメトリック線形最小二乗反復最短点アルゴリズムにより、現在のフレームとローカルサブマップの登録を効率的に行う。
各点クラス内の点対点(平面、直線)誤差メトリクスは、エゴ運動を推定するために線形近似と共同で最適化される。
登録されたフレームの静的な特徴点がローカルマップに追加され、更新される。
バックエンドでは、定期的に保存された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、デッドリコーミングによるドリフトを低減する。
さまざまな屋外および屋内シナリオで6種類のLiDARによって収集された100,000以上のフレームを持つ3つのデータセットで広範な実験が行われます。
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。
関連論文リスト
- LiDAR-GS:Real-time LiDAR Re-Simulation using Gaussian Splatting [50.808933338389686]
LiDARシミュレーションは、自動運転におけるクローズドループシミュレーションにおいて重要な役割を果たす。
都市景観におけるLiDARセンサスキャンをリアルタイムに再現するために,最初のLiDARガウス法であるLiDAR-GSを提案する。
我々の手法は、深度、強度、レイドロップチャンネルを同時に再現することに成功し、公開可能な大規模シーンデータセットにおけるフレームレートと品質の両方のレンダリング結果を達成する。
論文 参考訳（メタデータ） (2024-10-07T15:07:56Z) - DSLO: Deep Sequence LiDAR Odometry Based on Inconsistent Spatio-temporal Propagation [66.8732965660931]
本稿では,LiDAR odometry DSLO の非一貫性時間伝搬に基づく3次元点列学習モデルを提案する。
ピラミッド構造で、シーケンシャルなポーズモジュール、階層的なポーズリファインメントモジュール、時間的特徴伝搬モジュールで構成されている。
論文 参考訳（メタデータ） (2024-09-01T15:12:48Z) - FAST-LIVO2: Fast, Direct LiDAR-Inertial-Visual Odometry [28.606325312582218]
我々は,SLAMタスクにおける高精度かつ堅牢な状態推定を実現するために,高速かつ直接的LiDAR慣性・視覚的オドメトリーフレームワークであるFAST-LIVO2を提案する。
FAST-LIVO2はIMU、LiDAR、画像計測を逐次更新戦略で効率的に融合する。
本稿では,FAST-LIVO2のリアルタイムナビゲーション,空中マッピング,3次元モデルレンダリングの3つの応用例を示す。
論文 参考訳（メタデータ） (2024-08-26T06:01:54Z) - 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) - LMBAO: A Landmark Map for Bundle Adjustment Odometry in LiDAR SLAM [2.218316486552747]
既存のLiDARオドメトリーは、単に以前の固定位置スキャンと反復的に新しいスキャンと一致し、徐々にエラーを蓄積する傾向にある。
この手紙は、これらの問題を解決するためにLiDAR SLAMにおけるバンドル調整オドメトリー(LMBAO)のランドマークマップと呼ばれる新しい戦略を設計した。
具体的には,スライディングウィンドウにおける特徴点のみでなく,地図上の安定なランドマーク全体を保存し,アクティブグレードに応じてランドマークを削除する。
論文 参考訳（メタデータ） (2022-09-19T07:48:28Z) - 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) - Efficient 3D Deep LiDAR Odometry [16.388259779644553]
PWCLO-Netという名前の効率的な3Dポイント・クラウド・ラーニング・アーキテクチャが最初に提案される。
アーキテクチャ全体は、コストボリュームとマスクの適応的な学習を実現するために、徹底的にエンドツーエンドに最適化されています。
論文 参考訳（メタデータ） (2021-11-03T11:09:49Z) - Robust Odometry and Mapping for Multi-LiDAR Systems with Online
Extrinsic Calibration [15.946728828122385]
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。
論文 参考訳（メタデータ） (2020-10-27T13:51:26Z) - ePointDA: An End-to-End Simulation-to-Real Domain Adaptation Framework
for LiDAR Point Cloud Segmentation [111.56730703473411]
LiDARデータ上でディープニューラルネットワーク(DNN)をトレーニングするには、大規模なポイントワイドアノテーションが必要である。
シミュレーション・トゥ・リアル・ドメイン適応(SRDA)は、DNNを無制限の合成データと自動生成されたラベルで訓練する。
ePointDAは、自己教師付きドロップアウトノイズレンダリング、統計不変および空間適応型特徴アライメント、転送可能なセグメンテーション学習の3つのモジュールで構成されている。
論文 参考訳（メタデータ） (2020-09-07T23:46:08Z) - Reconfigurable Voxels: A New Representation for LiDAR-Based Point Clouds [76.52448276587707]
本稿では,3次元点群から表現を構成する新しい手法であるReconfigurable Voxelsを提案する。
具体的には,各地区を一定数のボクセルで適応的にカバーするランダムウォーク方式を考案する。
この手法は,特に疎水領域において,ボクセル特性の安定性を効果的に向上することがわかった。
論文 参考訳（メタデータ） (2020-04-06T15:07:16Z)
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。