IMU事前積分レーダーファクターによる非同期レーダーLiDAR慣性SLAM

- 非同期な Radar-LiDAR-Inertial SLAM のための因子グラフ最適化手法。 - 従来の fixed-lag smoother は計測ごとにノードを生成し、radar と LiDAR の時刻同期欠如を補償していた。 - 本手法は IMU-preintegrated radar factors を導入し、radar 計測時刻まで LiDAR 状態を伝播させる。 - ノード生成率を LiDAR 計測周波数に保ち、計算コストを削減する。

- 従来の fixed-lag Radar-LiDAR-Inertial smoother は計測ごとにノードを作るため、等レートの radar-LiDAR では状態生成率が各センサ周波数の2倍になる。 - 本手法は IMU の高レートデータで最新 LiDAR 状態を radar 計測時刻へ伝播し、ノード生成率を LiDAR 周波数に維持する。 - 等レート仮定でノード数を50%削減し、計算コストを低減。 - リソース制約ハードウェアでのリアルタイム性阻害を緩和する点が先行手法との差分。

- IMU-preintegrated radar factors を用いる。 - 高レートの inertial data で最新の LiDAR state を radar measurement timestamp へ伝播。 - これにより radar 計測ごとに新規状態ノードを作らず、ノード生成率を LiDAR measurement frequency に保つ。 - fixed-lag smoother の因子グラフ最適化において状態数を削減する。

- シングルボードコンピュータ(4コア 2.2 GHz A73 と 2 GHz A53、8 GB RAM)で実験。 - 従来ベースラインの absolute pose error を維持しつつ、aggregated factor graph optimization time を最大56%低減したと報告。 - 等レートの radar-LiDAR ペアを想定し、ノード数50%削減の効果を検証。

- 等レートの radar-LiDAR センサペアを前提としたノード削減効果の議論。 - リソース制約ハードウェア上のリアルタイム性能と最適化コストの trade-off が焦点。 - 精度(absolute pose error)を維持しつつ計算時間を削減できる点を主張。 - 不等レートや他のセンサ構成への一般性、詳細な限界は要旨からは不明。

- 従来の fixed-lag Radar-LiDAR-Inertial smoother(ベースライン)。 - IMU preintegration に関する研究。 - Radar-LiDAR-Inertial SLAM の関連手法。 - fixed-lag smoother を用いた非同期センサ融合の研究。