Gaussian-Prozess Gauss-Newton für 3D laserbasierte visuelle Odometrie

In diesem Papier präsentieren wir eine Methode zur Gewinnung von Schätzungen der visuellen Odometrie (VO) unter Verwendung eines scannenden Laserentfernungsmessers. Während gängige VO-Implementierungen Stereo-Kamerabilder nutzen, sind Kameras vonUmgebungslicht abhängig. Im Gegensatz dazu funktionieren aktiv beleuchtete Sensoren wie Laserentfernungsmesser bei einer Vielzahl von Lichtverhältnissen, einschließlich völliger Dunkelheit. Wir nutzen frühere Erfolge, indem wir spärliche auf dem Erscheinungsbild basierende Methoden auf Laserintensitätsbilder anwenden und das Problem der Bewegungsdeformation angehen, indem wir das Schätzproblem in kontinuierlicher Zeit betrachten. Dies wird durch den Gaussian-Prozess Gauss-Newton (GPGN) erleichtert, einen Algorithmus für nichtparametrische, kontinuierliche, nichtlineare Batch-Zustandschätzung. Wir enthalten eine prägnante Ableitung von GPGN sowie Details zur Erweiterung auf drei Dimensionen (3D). Die Validierung des 3D laserbasierten VO-Rahmens erfolgt anhand von 1,1 km experimenteller Daten, die von einem Feldroboter mit einem zweiachsigen scannenden Lidar erfasst wurden.