DALO-SLAM: LiDAR-basierte SLAM ausschließlich auf dynamischer Entfernung und adaptiver Merkmalsverbesserung in Umgebung ohne GNSS

Zusammenfassung In Umgebungen ohne Signale des globalen Navigationssatellitensystems (GNSS) ist die rein auf Lichtdetektions- und Entfernungsmessung (LiDAR) basierende gleichzeitige Lokalisierung und Kartierung (SLAM) anfällig für kumulative Schätzfehler der Pose aufgrund dynamischer Störungen und geringer Merkmalsdichte, was die Genauigkeit und Stabilität des Systems beeinträchtigt. Es bleibt eine Herausforderung, ein Gleichgewicht zwischen der Robustheit traditioneller Methoden in dynamischen Umgebungen und der Effektivität von Pose-Beschränkungen in spärlichen Merkmalszenen zu finden. Um dieses Problem anzugehen, schlägt dieses Papier eine LiDAR-basierte SLAM-Methode vor, die auf dynamischer Entfernung und adaptiver Merkmalsverbesserung basiert und als DALO-SLAM bezeichnet wird, um die Anpassungsfähigkeit und Genauigkeit des Systems in komplexen Umgebungen zu verbessern. Zuerst wird die dynamische Punktwolke während der Vorverarbeitung effizient entfernt, indem graphbasierte invarianten zufällige Stichprobenkonsens (GI-RANSAC) integriert wird. Zweitens wird eine adaptive Strategie zur Merkmalsverbesserung eingeführt, die Intensitätsinformationen und lokale Strukturmerkmale in der Abbaurichtung einbezieht. Die Stabilität wird zusätzlich durch adaptive Gewichtsanpassung basierend auf der Wahrnehmung des Abbaus verbessert. Die Experimente mit dem KITTI-Dataset und realen Szenarien zeigen, dass DALO-SLAM bestehende Methoden der neuesten Generation in komplexen Umgebungen übertrifft.