Voxel-based planar SLAM pipeline

Abstract

SLAM-алгоритмы (Simultaneous Localization and Mapping) играют ключевую роль в автономных системах, обеспечивая одновременную локализацию и построение карты окружающей среды. Основными задачами этих алгоритмов являются определение текущего местоположения системы с использованием сенсоров и дополнение карты новыми ориентирами, извлеченными в процессе работы. Данные для SLAM-алгоритмов могут поступать от стереокамер, камер глубины или лидаров, а в качестве ориентиров часто используются плоскости, популярные благодаря распространенности в рукотворной среде. Среди алгоритмов извлечения плоскостей из облаков точек, полученных с лидаров, особое место занимают методы, использующие воксели, благодаря их эффективности и меньшим вычислительным затратам. Тематические исследования говорят о превосходстве данного подхода над другими, однако существующие реализации грубо привязаны к определенной идее, ввиду чего возникают существенные проблемы при попытках исследования различных гипотез и подходов в данном классе алгоритмов. В данной работе предложен модульный, адаптивный и легко воспроизводимый воксельный SLAM-алгоритм для решения данной проблемы. Проведено экспериментальное исследование, показывающее, что применение разработанного решения позволяет в значительной степени улучшить качественные и количественные показатели на популярных тематических наборах данных.

SLAM algorithms (Simultaneous Localization and Mapping) play a crucial role in autonomous systems, providing simultaneous localization and mapping of the environment. The main tasks of these algorithms (pipelines) are to determine the current location of the system using sensors and to update the map with new landmarks segmented during the workflow. Data for SLAM pipelines can come from stereo cameras, depth cameras, or LiDARs, and planes are often used as landmarks due to their prevalence in hand-made environments. Among the algorithms for extracting planes from point clouds obtained from LiDARs, voxel-based methods hold a special place due to their efficiency and lower computational costs. Thematic researches indicate the superiority of this approach over others, but existing implementations are roughly tied to specific ideas, leading to significant problems when attempting to explore various hypotheses and approaches within this class of algorithms. This paper proposes a modular, adaptive, and easily reproducible voxel-based planar SLAM pipeline to address this issue. An experimental study demonstrates that the application of the developed solution significantly improves both qualitative and quantitative metrics on popular thematic datasets.