GR-LIO: 車体-地面間高さを用いた局所地面認識LiDAR慣性オドメトリ

- LiDAR-inertial odometry (LIO) の新手法 GR-LIO を提案。 - 地上移動ロボットの状態推定において、局所地面の幾何制約を明示的に活用する。 - filter-based な枠組みで、local ground plane を robot orientation と body-to-ground (B-G) height でパラメータ化し、状態推定内で連続的に伝播する。 - 伝播した local ground plane に基づき、効率的で信頼性の高い ground segmentation を実現。 - セグメント化された ground points を point-to-plane 幾何制約として filter update に組み込む。 - さらに planar motion update を導入し、垂直ドリフトを抑制し推定ロバスト性を向上。 - 初期未知の B-G height に対し、効率的な初期化戦略とオンラインキャリブレーションを開発。

- 既存の LIO システムでは、局所地面が提供する幾何制約が十分に活用されていなかった。 - 提案手法は local ground plane の幾何を状態推定に明示的に組み込む点で新しい。 - 従来の LIO と比較して、localization accuracy と computational efficiency の両方で一貫して優れると主張。 - 具体的な比較対象やベースラインは要旨からは不明。

- filter-based な LIO フレームワーク。 - local ground plane を robot orientation と body-to-ground (B-G) height でパラメータ化。 - この B-G geometry model に基づき、伝播した local ground plane を用いて ground segmentation を効率化。 - セグメント化された ground points を point-to-plane 幾何制約として filter update に統合。 - planar motion update を導入し、伝播した local ground plane を追加の幾何制約として利用。 - 初期未知の B-G height に対する効率的な初期化戦略と、継続的改善のためのオンラインキャリブレーションを開発。

- 複数の public benchmark datasets と self-collected real-world datasets で評価。 - 多様な運用シナリオをカバー。 - 実験結果は、代表的な LIO 手法と比較して localization accuracy と computational efficiency の両面で一貫して優れることを示す。 - 具体的なデータセット名や評価指標は要旨からは不明。

- 要旨からは不明。 - 提案手法の限界や失敗ケース、計算コストの詳細、パラメータ感度などについての議論は要旨に記載されていない。

- 要旨で参照/比較されている具体的な研究は明記されていない。 - 同分野の定番として、LOAM、LeGO-LOAM、LIO-SAM、FAST-LIO などの LiDAR-inertial odometry 手法が挙げられる。 - また、ground segmentation や point-to-plane 制約を用いた LIO 関連研究も参考になる。