Mejora de Odometría y Mapeo LiDAR utilizando Segmentación Semántica Profunda y Detección de Outliers Noveles

La percepción es un elemento clave para habilitar la navegación autónoma inteligente. Comprender la semántica del entorno circundante y la estimación precisa de la pose del vehículo son capacidades esenciales para vehículos autónomos, incluyendo coches autónomos y robots móviles que realizan tareas complejas. Las plataformas de movimiento rápido como los coches autónomos imponen un gran desafío para los algoritmos de localización y mapeo. En este trabajo, proponemos un marco novedoso para la odometría y mapeo LiDAR en tiempo real basado en la arquitectura LOAM para plataformas de movimiento rápido. Nuestro marco utiliza la información semántica producida por un modelo de aprendizaje profundo para mejorar la coincidencia punto-a-línea y punto-a-plano entre los escaneos de LiDAR y construir un mapa semántico del entorno, lo que conduce a una estimación de movimiento más precisa utilizando datos de LiDAR. Observamos que incluir información semántica en el proceso de coincidencia introduce un nuevo tipo de coincidencias outliers en el proceso, donde las coincidencias ocurren entre diferentes objetos de la misma clase semántica. Para ello, proponemos un nuevo algoritmo que identifica y descarta explícitamente outliers potenciales en el proceso de coincidencia. En nuestros experimentos, estudiamos el efecto de mejorar el proceso de coincidencia en la robustez de la odometría LiDAR frente a movimientos de alta velocidad. Nuestras evaluaciones experimentales en el conjunto de datos KITTI demuestran que utilizar información semántica y rechazar outliers mejora significativamente la robustez de la odometría y el mapeo LiDAR cuando hay grandes brechas entre las poses de adquisición de escaneos, lo cual es típico para plataformas de movimiento rápido.