C$^3$P-VoxelMap: 紧凑、累积且可合并的概率体素地图
机器人学
2024-10-11 v2
摘要
本文提出了一种紧凑、累积且可合并的概率体素映射方法，以提高激光雷达里程计的性能、精度和内存效率。概率体素映射需要存储过去的点云并反复迭代以更新每次迭代的不确定性，这消耗了大量的内存空间和CPU周期。为了解决这个问题，我们提出了一个双管齐下的策略。首先，我们引入了一种紧凑的无点表示法用于概率体素，并推导出平面不确定性的累积更新，而无需缓存原始点云。我们的体素结构仅跟踪位于其内部的点的预定统计量集。该方法将运行时复杂度从降低到，空间复杂度从降低到，其中是迭代次数，是点数。其次，为了进一步最小化内存使用并提高映射精度，我们提供了一种策略，利用现实世界中的几何特征，动态合并与相同物理平面对应的体素。我们的合并策略不是在每次迭代中持续扫描这些可合并体素，而是将体素累积在局部敏感哈希中，并延迟触发合并。按需合并不仅以最小的计算开销减少了内存占用，而且由于跨体素去噪，还提高了定位精度。实验表明，与最先进的方法相比，精度提高了20%，性能提高了20%，内存消耗降低了70%。
引用
@article{arxiv.2406.01195,
title = {C$^3$P-VoxelMap: Compact, Cumulative and Coalescible Probabilistic Voxel Mapping},
author = {Xu Yang and Wenhao Li and Qijie Ge and Lulu Suo and Weijie Tang and Zhengyu Wei and Longxiang Huang and Bo Wang},
journal= {arXiv preprint arXiv:2406.01195},
year = {2024}
}