論文の概要: LMBAO: A Landmark Map for Bundle Adjustment Odometry in LiDAR SLAM
- arxiv url: http://arxiv.org/abs/2209.08810v1
- Date: Mon, 19 Sep 2022 07:48:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-20 19:38:41.340197
- Title: LMBAO: A Landmark Map for Bundle Adjustment Odometry in LiDAR SLAM
- Title（参考訳）: LMBAO:LiDAR SLAMにおけるバンドル調整オドメトリーのランドマークマップ
- Authors: Letian Zhang, Jinping Wang, Lu Jie, Nanjie Chen, Xiaojun Tan, Zhifei
Duan
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.218316486552747
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: LiDAR odometry is one of the essential parts of LiDAR simultaneous
localization and mapping (SLAM). However, existing LiDAR odometry tends to
match a new scan simply iteratively with previous fixed-pose scans, gradually
accumulating errors. Furthermore, as an effective joint optimization mechanism,
bundle adjustment (BA) cannot be directly introduced into real-time odometry
due to the intensive computation of large-scale global landmarks. Therefore,
this letter designs a new strategy named a landmark map for bundle adjustment
odometry (LMBAO) in LiDAR SLAM to solve these problems. First, BA-based
odometry is further developed with an active landmark maintenance strategy for
a more accurate local registration and avoiding cumulative errors.
Specifically, this paper keeps entire stable landmarks on the map instead of
just their feature points in the sliding window and deletes the landmarks
according to their active grade. Next, the sliding window length is reduced,
and marginalization is performed to retain the scans outside the window but
corresponding to active landmarks on the map, greatly simplifying the
computation and improving the real-time properties. In addition, experiments on
three challenging datasets show that our algorithm achieves real-time
performance in outdoor driving and outperforms state-of-the-art LiDAR SLAM
algorithms, including Lego-LOAM and VLOM.
- Abstract（参考訳）: LiDAR odometryは、LiDARの同時局在とマッピング(SLAM)の重要な部分の1つである。
しかし、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。
さらに,実効的な共同最適化機構として,大規模グローバルランドマークの集中的な計算により,バンドル調整(BA)を実時間オドメトリーに直接導入することはできない。
そこで本稿では,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を設計し,この問題を解決した。
まず,BAをベースとしたドメトリーは,より正確な局所登録と累積誤差回避のために,アクティブなランドマーク維持戦略によってさらに発展する。
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。
次に、スライディングウインドウの長さを削減し、周縁化を行い、ウインドウ外をスキャンするが、地図上のアクティブランドマークに対応し、計算を大幅に単純化し、リアルタイム特性を向上させる。
さらに,3つの難易度データセットを用いた実験により,本アルゴリズムが屋外走行におけるリアルタイム性能を達成し,lego-loamやvlomを含む最先端lidar slamアルゴリズムを上回ったことを示す。
関連論文リスト
- Truncating Trajectories in Monte Carlo Policy Evaluation: an Adaptive Approach [51.76826149868971]
モンテカルロシミュレーションによる政策評価は多くのMC強化学習(RL)アルゴリズムの中核にある。
本研究では,異なる長さの軌跡を用いた回帰推定器の平均二乗誤差のサロゲートとして品質指標を提案する。
本稿では,Robust and Iterative Data Collection Strategy Optimization (RIDO) という適応アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-17T11:47:56Z) - 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) - Real-Time Simultaneous Localization and Mapping with LiDAR intensity [9.374695605941627]
実時間LiDAR強調画像を用いた同時位置推定とマッピング手法を提案する。
提案手法は高精度でリアルタイムに動作可能であり,照度変化,低テクスチャ,非構造化環境でも有効である。
論文 参考訳（メタデータ） (2023-01-23T03:59:48Z) - PaGO-LOAM: Robust Ground-Optimized LiDAR Odometry [7.111443975103329]
地上最適化LiDARオドメトリーは、通常、前処理法としてグラウンドセグメンテーションを用いる。
本稿では, 地盤のセグメンテーションがLiDAR SLAMに与える影響を確認するために, 強靭な地盤最適化LiDARオドメトリーフレームワークを提案する。
これらの手法は, KITTI odometry データセットを用いて検討した。
論文 参考訳（メタデータ） (2022-06-01T06:50:44Z) - Efficient LiDAR Odometry for Autonomous Driving [16.22522474028277]
LiDARオドメトリーは、自律ナビゲーションの自己局在化とマッピングにおいて重要な役割を果たします。
近年の球面範囲画像ベース手法は球面マッピングによる高速近接探索の利点を享受している。
そこで本稿では,非球面画像と鳥眼視図の両面を基盤点に利用して,新しい効率的なLiDARオドメトリー手法を提案する。
論文 参考訳（メタデータ） (2021-04-22T06:05:09Z) - 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) - Canny-VO: Visual Odometry with RGB-D Cameras based on Geometric 3D-2D
Edge Alignment [85.32080531133799]
本稿では,自由形式の曲線登録に関する古典的な問題をレビューし,効率的なrgbdビジュアルオドメトリシステムcanny-voに適用する。
エッジ登録でよく用いられる距離変換の代替として、近似近接近傍場と配向近接近傍場という2つの方法が提案されている。
3D2Dエッジアライメントは、効率性と精度の両方の観点から、これらの代替製剤の恩恵を受けます。
論文 参考訳（メタデータ） (2020-12-15T11:42:17Z) - Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。
本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。
実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
論文 参考訳（メタデータ） (2020-07-20T12:07:48Z) - LOL: Lidar-Only Odometry and Localization in 3D Point Cloud Maps [0.6091702876917281]
都市部を走行するライダー搭載車両の軌道計測と位置推定の問題に対処する。
オンライン3Dポイントクラウドと事前オフラインマップとの間の幾何学的に類似した位置を検出するために,位置認識手法を適用した。
異なる長さと環境の複数のKittiデータセット上で,提案するLOLシステムの有用性を実証する。
論文 参考訳（メタデータ） (2020-07-03T10:20:53Z) - Rethinking Localization Map: Towards Accurate Object Perception with
Self-Enhancement Maps [78.2581910688094]
本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。
特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
論文 参考訳（メタデータ） (2020-06-09T12:35:55Z)
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。