論文の概要: ROLO-SLAM: Rotation-Optimized LiDAR-Only SLAM in Uneven Terrain with Ground Vehicle

• arxiv url: http://arxiv.org/abs/2501.02166v1
• Date: Sat, 04 Jan 2025 02:44:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-07 17:06:15.873171
• Title: ROLO-SLAM: Rotation-Optimized LiDAR-Only SLAM in Uneven Terrain with Ground Vehicle
• Title（参考訳）: ROLO-SLAM:ローテーション最適化LiDAR専用SLAM
• Authors: Yinchuan Wang, Bin Ren, Xiang Zhang, Pengyu Wang, Chaoqun Wang, Rui Song, Yibin Li, Max Q. -H. Meng,
• Abstract要約: 荒地における地上車両の姿勢推定精度を向上させるために,LiDARを用いたSLAM法を提案する。 累積誤差の低減を支援するために,グローバルスケールの因子グラフが確立されている。 その結果,ROLO-SLAMは地上車両の姿勢推定に優れ,既存のLiDAR SLAMフレームワークよりも優れていた。
• 参考スコア（独自算出の注目度）: 49.61982102900982
• License:
• Abstract: LiDAR-based SLAM is recognized as one effective method to offer localization guidance in rough environments. However, off-the-shelf LiDAR-based SLAM methods suffer from significant pose estimation drifts, particularly components relevant to the vertical direction, when passing to uneven terrains. This deficiency typically leads to a conspicuously distorted global map. In this article, a LiDAR-based SLAM method is presented to improve the accuracy of pose estimations for ground vehicles in rough terrains, which is termed Rotation-Optimized LiDAR-Only (ROLO) SLAM. The method exploits a forward location prediction to coarsely eliminate the location difference of consecutive scans, thereby enabling separate and accurate determination of the location and orientation at the front-end. Furthermore, we adopt a parallel-capable spatial voxelization for correspondence-matching. We develop a spherical alignment-guided rotation registration within each voxel to estimate the rotation of vehicle. By incorporating geometric alignment, we introduce the motion constraint into the optimization formulation to enhance the rapid and effective estimation of LiDAR's translation. Subsequently, we extract several keyframes to construct the submap and exploit an alignment from the current scan to the submap for precise pose estimation. Meanwhile, a global-scale factor graph is established to aid in the reduction of cumulative errors. In various scenes, diverse experiments have been conducted to evaluate our method. The results demonstrate that ROLO-SLAM excels in pose estimation of ground vehicles and outperforms existing state-of-the-art LiDAR SLAM frameworks.
• Abstract（参考訳）: LiDARベースのSLAMは、粗い環境でのローカライズガイダンスを提供するための効果的な方法として認識されている。 しかし、既成のLiDARベースのSLAM法は、不均一な地形を通過する際に、特に垂直方向に関連する重要なポーズ推定ドリフトに悩まされる。 この欠損は、典型的には顕著に歪んだグローバルマップに繋がる。 本稿では, ローテーション最適化LiDAR-Only (ROLO) SLAM (Rotation-Optimized LiDAR-Only) と呼ばれる荒地における地上車両の姿勢推定精度を向上させるために, LiDAR を用いたSLAM法を提案する。 この方法は前方位置予測を利用して連続走査の位置差を粗く除去し、フロントエンドにおける位置と方向の分離的かつ正確な決定を可能にする。 さらに、通信マッチングに並列可能な空間ボキセル化を採用する。 我々は,各ボクセル内における球面アライメント誘導回転登録を開発し,車両の回転を推定する。 幾何アライメントを組み込むことで、LiDARの翻訳の迅速かつ効果的な評価を促進するために、最適化定式化に動き制約を導入する。 その後、いくつかのキーフレームを抽出してサブマップを構築し、現在のスキャンからサブマップへのアライメントを利用して正確なポーズ推定を行う。 一方、累積誤差の低減を支援するため、グローバルスケールの因子グラフが確立されている。 様々な場面で,本手法を評価するための多様な実験が実施されている。 その結果,ROLO-SLAMは地上車両の姿勢推定に優れ,既存のLiDAR SLAMフレームワークよりも優れていた。

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)
• Galibr: Targetless LiDAR-Camera Extrinsic Calibration Method via Ground Plane Initialization [13.409482818102878]
  Galibrは完全に自動化されたLiDARカメラの外付けキャリブレーションツールで、どんな自然環境でも地上の車両プラットフォーム用に設計されている。 この方法は、LiDARとカメラの入力の両方から地上平面とエッジ情報を利用して、キャリブレーションプロセスの合理化を行う。 提案手法はキャリブレーション性能を著しく向上させるが,これは新しい初期ポーズ推定法に起因している。
  論文  参考訳（メタデータ） (2024-06-14T08:25:10Z)
• SLAIM: Robust Dense Neural SLAM for Online Tracking and Mapping [15.63276368052395]
  ニューラルラジアンスフィールドSLAM(NeRF-SLAM)に適した,新しい粗い粒度追跡モデルを提案する。 既存の NeRF-SLAM システムは、従来の SLAM アルゴリズムに比べて、追跡性能が劣っている。 局所バンドル調整とグローバルバンドル調整の両方を実装し、ロバストな(粗大な)(KL正規化器)と正確な(KL正規化器)SLAMソリューションを生成する。
  論文  参考訳（メタデータ） (2024-04-17T14:23:28Z)
• Geo-Localization Based on Dynamically Weighted Factor-Graph [74.75763142610717]
  特徴に基づくジオローカライゼーションは、航空画像から抽出された特徴と車両のセンサーによって検出された特徴とを関連付けることに依存する。 これにより、ランドマークの種類は両方のソースから観測できなければならない。 車両軌道推定のための動的重み付き因子グラフモデルを提案する。
  論文  参考訳（メタデータ） (2023-11-13T12:44:14Z)
• Traj-LO: In Defense of LiDAR-Only Odometry Using an Effective Continuous-Time Trajectory [20.452961476175812]
  本文では,LiDARのみのオドメトリーを連続的視点で検討する。 提案するTraj-LOアプローチは,LiDARの空間的・時間的一貫した動きを回復しようとする。 私たちの実装はGitHubでオープンソース化されています。
  論文  参考訳（メタデータ） (2023-09-25T03:05:06Z)
• View Consistent Purification for Accurate Cross-View Localization [59.48131378244399]
  本稿では,屋外ロボットのための微細な自己局在化手法を提案する。 提案手法は,既存のクロスビューローカライゼーション手法の限界に対処する。 これは、動的環境における知覚を増強する初めての疎視のみの手法である。
  論文  参考訳（メタデータ） (2023-08-16T02:51:52Z)
• Visual-LiDAR Odometry and Mapping with Monocular Scale Correction and Visual Bootstrapping [0.7734726150561089]
  低ドリフト特性を有する新しい視覚-LiDARオドメトリーおよびマッピング法を提案する。 提案手法は,ORB-SLAM と A-LOAM の2つの一般的な手法に基づく。 ORB-SLAM2 と A-LOAM を比較検討した。
  論文  参考訳（メタデータ） (2023-04-18T13:20:33Z)
• JVLDLoc: a Joint Optimization of Visual-LiDAR Constraints and Direction Priors for Localization in Driving Scenario [13.439456870837029]
  本稿では,地図の先行点と画像から点を融合させる手法を提案し,回転のみに制約されたエネルギー項を確立する。 これらの方向を視覚-LiDAR SLAMシステムに組み込み、カメラとLiDARの測定をバックエンドで密結合した方法で統合する。 KITTI,KITTI-360およびOxford Radar Robotcarを用いた実験により,本手法が有効であることを示す先行マップよりもローローカライゼーション誤差(Absolute Pose Error,APE)が低いことを示す。
  論文  参考訳（メタデータ） (2022-08-21T01:50:31Z)
• Pushing the Envelope of Rotation Averaging for Visual SLAM [69.7375052440794]
  視覚SLAMシステムのための新しい最適化バックボーンを提案する。 従来の単分子SLAMシステムの精度, 効率, 堅牢性を向上させるために, 平均化を活用している。 我々のアプローチは、公開ベンチマークの最先端技術に対して、同等の精度で最大10倍高速に表示することができる。
  論文  参考訳（メタデータ） (2020-11-02T18:02:26Z)

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。