厳密な点群ダウンサンプリングを用いた密結合レンジ慣性オドメトリとマッピング

- 本論文は、factor graph 上での multi-scan registration error minimization を実時間処理するための point cloud downsampling アルゴリズムと、それを用いた完全な SLAM framework を提案する。 - downsampling は coreset extraction に基づき、与えられた pose に対して元の点群集合と全く同じ quadratic error function を与える residual の部分集合を抽出する。 - SLAM framework は sliding window optimization による odometry estimation と、全 map にわたる registration error minimization による global trajectory optimization から構成される。 - 両処理は標準的な CPU 上で実時間動作する。

- 従来の point cloud downsampling では近似誤差が生じるが、本手法は sampling 点において近似誤差なしで residual 数を大幅に削減できる点が異なる。 - これにより multi-scan registration error minimization を factor graph 上で実時間処理可能にした。 - 実験では GPU 加速なしの CPU ベースで、state-of-the-art の CPU-based SLAM framework を上回る性能を示した。 - 具体的な比較対象の手法名は要旨からは不明。

- coreset extraction に基づく point cloud downsampling が肝。入力点群の residual の部分集合であって、与えられた pose に対し元集合と厳密に同一の quadratic error function を生むものを抽出する。 - これにより近似誤差なしに評価すべき residual 数を削減する。 - この downsampling を組み込み、sliding window optimization による odometry estimation と、全 map 上の registration error minimization による global trajectory optimization からなる SLAM framework を構成する。 - 両者を標準 CPU 上で実時間動作させる設計。

- 実験により、提案 framework が GPU 加速を用いずに state-of-the-art の CPU-based SLAM framework を上回ることを示した。 - 具体的なデータセット名・評価指標・実験条件は要旨からは不明。

- 要旨からは不明。 - ただし、近似誤差なしの downsampling により residual 数を削減し実時間性を達成する点、および CPU のみで state-of-the-art を上回る点が主張されている。

- 要旨で参照・比較されている具体的な研究名は不明。 - 関連手法として、factor graph を用いた SLAM、multi-scan registration error minimization、point cloud downsampling、coreset extraction、sliding window optimization、global trajectory optimization に関する文献が次に読むべき候補となる。