基于测量模型优化重要性采样融合的高效三维激光雷达蒙特卡洛定位解法
机器人学
2023-03-03 v2
摘要
本文提出一种高效的基于三维激光雷达的蒙特卡洛定位(MCL)解法。若粒子恰好采样于真实位姿附近,MCL 可稳健工作。惯性导航系统(INS)可用于精确采样,但即便有 INS,仍需大量粒子以解决三维定位问题。尤其当无 INS 时,所需粒子数量巨大,就计算成本而言使得三维 MCL 难以实现。扫描匹配(SM)即基于优化的定位,即便无 INS 也能高效工作,因为 SM 可在其优化过程中忽略机器人及/或设备的运动约束。然而,SM 有时会给出违背运动的不可行估计。我们认为 MCL 与 SM 具有互补的优缺点,并提出一种 MCL 与 SM 的融合方法。由于从概率建模角度看 SM 可视为测量模型的优化,我们将 SM 作为测量模型优化执行。该优化结果随后用于近似测量模型分布,并将近似分布用于采样粒子。采样所得粒子通过重要性采样与 MCL 融合。由此,MCL 与 SM 的优点可同时被利用,同时缓解其缺点。实验在 KITTI 数据集及另外两个公开数据集上进行。结果表明,所提方法可在单 CPU 线程上运行,且即便无 INS 也能准确完成定位。
引用
@article{arxiv.2303.00216,
title = {Efficient Solution to 3D-LiDAR-based Monte Carlo Localization with Fusion of Measurement Model Optimization via Importance Sampling},
author = {Naoki Akai},
journal= {arXiv preprint arXiv:2303.00216},
year = {2023}
}
备注
8 pages, 4 figures